煤炭能源对社会经济发展和人民生活至关重要,在未来能源结构体系中,煤炭依然是我国的主要能源。经济的快速发展,加大了对煤炭能源的需求,煤矿开采也需更加高效化,而在煤矿开采作业中,锚杆支护是目前煤矿巷道支护的主要方式。针对目前锚杆支护作业中钢带孔位难以准确识别的问题,本文通过机器视觉与图像处理的相关方法,并结合目标识别算法准确识别钢带孔,得出钢带孔图像中心像素坐标信息。本文主要进行了以下几个方面的研究:首先为了对相机参数进行准确标定,本文提出了一种改进粒子群算法对相机内参进行优化,在张氏标定法求得相机内参的基础上,利用改进粒子群算法进行实验分析得出,优化后成像模型重投影点的平均误差和标准差相比张氏标定法提高了23.65%和22.83%;相比标准粒子群算法和e指数调节惯性权重粒子群算法,优化结果精度有明显提升,而且本文提出的改进算法迭代次数更少。其次进行图像处理,根据Retinex算法原理,对图像R、G、B分量分别使用高斯滤波作为中心环绕函数去估计各个分量的照度分量,通过增强每个分量实现对图像的增强处理,然后进行灰度转化、滤波和钢带孔与图像背景的分割。图像经过处理后,使用传统识别方法（模板匹配法、霍夫变换圆检测算法、特征匹配法）对钢带孔图像进行识别,得到其中心像素坐标。本文经过实验分析,得出传统方法存在不同图像需要调节不同参数、调参过程复杂耗时、会有误识别及不能判断钢带孔类型的问题。针对传统方法存在的问题,本文使用深度学习YOLO-V5算法进行识别,通过对钢带孔数据集的标记和训练,得出训练结果的MAP值为0.996,随机选择未训练的钢带孔图像进行识别验证,正确预测钢带孔的概率为95%,相比传统方法,此算法识别速度快,误识别率低,更适用于对目标的实时识别。最后对钢带孔识别系统进行研究,分析系统软硬件,设计识别系统,并研究了手眼标定方法,将钢带孔图像中心像素坐标转换为末端执行器在钻锚设备基坐标系下的坐标。进而可以得出末端执行器与目标位置距离,并进行实验验证,得出误差在2mm之内,能够满足实际要求,为下一步的精确控制提供基础。本文完成了基于机器视觉锚护作业中钢带孔的识别,得出其中心像素坐标及末端执行器在钻锚设备基坐标系下的坐标,设计识别系统并进行实验验证,为锚杆支护作业中的钢带孔位难以准确识别的问题提供了一种解决方案,设计的识别系统为钻锚设备的精确控制提供重要基础。