大量的研究表明,岩石是一种很复杂的多孔介质。岩石类型和粒度、孔隙结构、断裂比、泥质含量等对岩石的渗透率、孔隙度等有直接影响。分析岩石微观结构特征,并形成一套有效的岩石微观结构特征提取与分类方法,为油气藏的研究、勘探和开发提供有保障的科学依据,这对油气田的开发研究具有重要现实意义。本文聚焦当下热点的深度机器学习方法,尤其是卷积神经网络,结合离散余弦变换、离散小波变换的相关理论,针对岩石图像分类的问题进行研究,主要工作及取得的成果如下:首先,在不同训练迭代次数下对卷积神经网络进行训练、验证和测试,提出一种卷积神经网络岩石图像分类框架,并基于这个框架对分别经过亮度调整、某些几何变换和加入噪声后的岩石图像进行分类测试,获得了一定的分类准确性。其次,提出基于离散余弦变换的卷积神经网络岩石图像分类框架,并基于其对原岩石图像以及经过亮度调整、某些几何变换和加入噪声后的岩石图像进行分类测试,其分类错误率低于上一种分类框架,且训练时间约为上一种框架的0.46倍。最后,提出了基于离散小波变换和离散余弦变换的卷积神经网络岩石图像分类框架,并用它分别对原岩石图像以及经过亮度调整、某些几何变换和加入噪声后的岩石图像进行分类测试。这种框架的训练时间约为第二种框架的0.31倍,其分类错误率约等于第二种框架。通过比较,基于离散小波变换和离散余弦变换的卷积神经网络岩石图像分类框架是训练时间短且分类错误率低的岩石图像分类框架。它用少量系数代表岩石图像,从而缩短了框架的训练时间,且将岩石图像变换到频域中提取有效特征,并基于此特征对岩石图像进行有效分类。