回转窑烧结过程工况的准确识别,尤其是烧成带的准确识别,影响着产品的最终质量。烧成带的准确识别主要是依赖烧成带的火焰图像,火焰图像中蕴含着丰富的熟料烧结状况信息以及烧成带温度场信息。但是,火焰图像在受到窑内粉尘等影响时,会导致感兴趣区域之间的强耦合、边缘模糊等现象发生。与此同时,一些复杂噪声干扰会对整个焙烧过程中需要控制的过程参数有一定影响。致使目前很多生产企业仍通过“人工看火”方式来观察回转窑的烧结过程。基于此背景,本文对烧成带火焰图像燃烧状态的识别以及通过关键过程参数信息来对产品质量的预测等问题展开研究。首先,应用机器学习理论中的卷积神经网络（CNN）来对烧成带火焰图像燃烧状态进行分类和识别。对CNN的各层原理进行了简述,同时对传统的LeNet-5神经网络进行改进。采用改造后的网络对采集的烧成带火焰图像进行识别,利用机器学习中的Tensorboard可视化平台对实验结果进行分析。然后,对多信息融合技术相关知识及方法进行了简述。基于此方法,在同步周期内,将CNN对烧成带火焰图像的识别结果同采集得到的回转窑的窑头温度、烧成带温度、窑尾温度、窑尾负压四种关键过程数据进行信息融合,形成数据集。应用随机森林（Random Forest,RF）算法,提出了基于RF的回转窑产品质量分类识别方法。利用Python语言编写程序进行实验,建立了多信息融合的回转窑产品质量分类识别模型。最后,通过混淆矩阵的可视化来分析实验结果。以ROC曲线为评判指标,同支持向量机（SVM）分类算法进行对比。实验结果表明:本文算法对回转窑产品质量的分类准确率达到81%左右,且性能优越于SVM。可以应用训练好的模型对某单位时间内的回转窑产品质量进行预测。实现了人机物多信息融合的网络信息控制系统。