煤矸图像的在线准确快速识别是煤矸智能分选的关键，深度卷积神经网络能够解决这一问题。以实际生产状态下采集的煤与矸石图像为训练与测试样本，基于ResNet等经典网络与SqueezeNet等先进轻量级网络建立了煤矸图像识别模型，分析了各模型的训练收敛情况。基于k-means++判断模型中不同卷积核所提取特征的相似程度，基于模型剪枝技术对相似度高的卷积核进行裁剪，实现了识别模型的优化与压缩。以识别精度、模型规模和模型运算复杂度为评价指标，定量衡量了压缩前后各模型的测试性能。分析了压缩后的模型对煤矸难、易识别样本的分类热力图可视化结果，揭示了模型的识别机理与分类依据。结果表明：利用多数现有的CNN框架建立模型均可以对煤和矸石有效识别，但网络复杂度过低则特征提取能力不足，网络复杂度过高则易产生更严重的过拟合情况，即模型复杂度对识别精度影响较大；基于模型剪枝得到的煤矸识别模型可以将煤的截断面处因镜质组成分而产生的反光现象作为识别煤的可靠依据，同时准确捕捉煤与矸石由于硬度不同所产生的轮廓、纹理、表面平整度等差异，综合给出识别结果。压缩后的模型在计算量与模型大小减少10倍的同时，识别精度提升了17.8%，实现节约计算与存储资源的同时提升识别精度，模型性能明显优于常规网络模型。