准确实时地监测锅炉燃烧火焰状态对于提高燃烧有效性，预防潜在危险的发生具有重要的意义。因此，对火焰图像处理与状态识别的关键技术进行研究具有重要的理论和实际意义。本文在现有成果的基础上，研究了火焰图像去噪、增强、阈值分割、边缘检测和状态识别的方法，主要工作如下：首先，研究了一种基于双树复小波变换和隐马尔可夫树(HMT)模型的锅炉煤燃烧火焰图像去噪方法。该方法利用双树复小波变换的多尺度，多方向和平移不变性的特点，将其与HMT模型相结合，从而能够准确地描述双树复小波变换域系数在相邻尺度间的相关性。通过对实验结果的定量分析可知，该方法取得了良好的去噪效果。其次，提出了基于Contourlet变换和参数对数图像处理(PLIP)模型的锅炉煤燃烧火焰图像增强方法。该方法利用Contourlet变换将火焰图像分解为低通子带和各带通方向子带，对低通子带采用PLIP Lee算法进行增强，对各带通方向子带系数采用非线性增益函数进行处理，同时利用NCPSO算法优选增强算法中的参数。实验结果表明该方法能够有效地对火焰图像进行增强。再次，实现了一种基于倒数交叉熵的锅炉煤燃烧火焰图像多阈值分割方法。首先给出了倒数交叉熵的定义，导出了最小倒数交叉熵单阈值选取公式，然后将此推广到多阈值选取，给出最小倒数交叉熵多阈值选取的改进粒子群优化算法。由实验结果可知，与基于改进粒子群优化的最大Shannon熵、灰度熵、Otsu、Shannon交叉熵等方法相比，提出的方法有明显的优势。接着，提出了一种基于各向异性数学形态学的锅炉煤燃烧火焰图像边缘检测方法。在图像的各个不同像素点上，根据各个点的方向信息构造适合的形态结构元素，并计算各个点的形态学梯度，根据形态学梯度的计算结果检测火焰图像的边缘。与现有的边缘检测方法相比，提出的方法检测出的边缘定位更加准确，边缘更加完整。最后，给出了一种基于灰度熵多阈值分割和支持向量机(SVM)的火焰图像状态识别方法。该方法对火焰图像进行基于灰度熵准则的多阈值分割，提取火焰图像的10个特征参数，以此作为训练样本训练支持向量机，并采用支持向量机依据提取的特征对火焰图像进行分类。实验结果显示与采用将图像像素作为训练样本的方法相比，提出的方法分类识别正确率更高。