为研究煤尘颗粒的图像特征内在机理，以选煤厂为项目背景，包含 6 个工作面 1500个煤尘图像信息为依托，搭建特征压缩激活 U-Net 卷积神经网络并对煤尘颗粒图像进行语义分割。首先通过现场采样获取煤尘颗粒样本建立图像数据集并输入到分割网络；其次通过网络左半部模型完成煤尘特征的批量归一化和压缩激活，获得输出特征传递到网络右半部模型进行上采样以恢复煤尘特征图像尺寸，完成煤尘颗粒信息的二分类；最后运用二值交叉熵及合页协同损失函数训练网络并缓解分割任务中的颗粒特征类别不平衡问题。通过搭建模型进行仿真试验：①通过试验仿真二值交叉熵及合页协同损失函数对网络分割性能的影响；②通过试验评估所提出的优化网络与常规颗粒图像提取算法如：FCN、SegNet、DeepLab、SENet、U-Net 网络的分割性能并验证所提出的优化网络的特征信息提取能力。③在试验①②结果基础上，采用八邻域特征算法实现煤尘颗粒的定位标注，提取颗粒占比特性参数。研究结果表明，二值交叉熵及合页协同损失函数可获得较优分割效果；所提出的 Unet-SE 改进网络模型对不同形状及粒径的颗粒类别具有较优的学习效果，其学习性能指标：准确率、召回率以及 F1 分数分别提高到 0.8732、0.8434 和 0.8580。与其他识别算法相比，改进算法可有效增强煤尘特征的学习能力，大幅缩短训练时间，并精确获取颗粒特征更多细节信息。