煤岩自动识别技术是实现井下综采工作面智能化、无人化的关键核心技术之一。分析煤岩图像特点可知,煤岩图像中的凹凸区域特征信息十分重要。而现有的图像特征提取算法对于煤岩图像高阶特征信息描述效果欠佳。针对上述情况,本文提出改进高阶差分中值完备局部二值模式（CLBP）的煤岩特征提取算法,并探究特征信息降维策略,在此基础上,构建了融合改进CLBP与感受野理论的煤岩识别模型。主要工作内容如下:（1）针对原CLBP算法仅描述图像局部梯度特征,忽略煤岩图像中比较重要的凹凸区域高阶特征信息,同时算法抗噪能力弱的问题。本文提出高阶差分中值特征提取算法,引入中值处理方法,加强算法的抗噪能力,构建高阶差分中值CLBP＿S、高阶差分中值CLBP＿M描述子,可实现煤岩图像高阶特征信息的提取。算法中将高阶差分中值CLBP＿S、CLBP＿M描述子与原CLBP描述子进行了特征融合,降低特征冗余的同时保证特征信息的完整丰富程度。（2）进行融合改进CLBP与感受野理论的煤岩识别模型构建。融合后特征信息必然存在冗余情况,单纯使用传统降维方式进行特征降维,对于特征信息破坏性较大,从而导致模型识别效果不佳;本文引入感受野理论的方法来进行降维处理,并对比融合改进CLBP与SVM的煤岩识别模型与融合改进CLBP与感受野理论的煤岩识别模型之间的性能差异。（3）在上述煤岩识别模型的理论基础上,开展识别模型的性能实验研究。研究表明,相比较于原始的特征提取算法,本文提出的融合原始CLBP与高阶差分中值CLBP算法准确率获得提升,且准确率随噪声强度的波动幅度更小,改进CLBP算法的鲁棒性更佳;同时,相比较传统的基于SVM模型识别方法与BP神经网络模型,基于感受野理论的识别模型在节约97%的时空开销基础上,识别准确率依然能维持98.5%以上。