针对煤流的带式输送监测系统中异物识别问题，本文构造一种基于机器视觉灰度化的双路金字塔卷积识别模型。首先，提出一种基于权值训练的机器视觉图像灰度化方法，并根据输送带运输异物与煤的颜色差异和运动性差异，采用Lucas-Kanade光流算法，实现对异常颜色和异常运动像素点的识别。同时结合光照补偿处理，实现对煤流实时图像进行亮度校正和无关像素剔除的预处理。接着，构造了金字塔网络，提取煤流中移动异物的多尺度融合特征。之后本文构造图像的常规特征提取通路和特征差分通路的双通道网络模型，实现对煤和异物特征的识别。最后，对陕煤曹家滩煤矿的煤流输送带监测图像的异物进行识别。结果表明，基于机器视觉灰度化双通道金字塔卷积模型对煤流输送带的异物识别准确率为95.7%，比经典的卷积网络模型的识别精度提高了2.1%。相比于传统图像灰度化固定权值识别模型，基于权值自适应训练的异物识别模型精度提升了5.2%。本方法对煤流输送带中运输异物监测和识别具有一定的实用价值。