岩石薄片由于其组成成分、结构构造复杂多样,肉眼观察往往需要研究人员掌握丰富的地质知识和鉴别经验,同时鉴别工作耗时长且容易受到人为因素的干扰。本文目的在于研究一种基于计算机技术的鉴别方案,达到计算机自动识别岩石薄片的目的。在大数据时代的浪潮下,地质资料数字化广泛普及和深度学习技术飞速发展,为本文的实验提供了丰富的研究资料和研究方法。本文针对10倍正交偏光镜下的砂岩岩石薄片图像,提出一种多特征验证的分类方案。该分类方案基于卷积神经网络和数字图像处理技术实现,本文的主要研究内容如下:（1）数据集整理针对卷积神经网络的输入数据特点,需要对本文的图像集进行整理。数据集中各类图像的数量不同,为了解决图像的不均衡问题,针对各类图像采用过采样和欠采样处理,同时加入随机旋转和缩放丰富数据集的类型,平衡最终输入数据不同种类的数量,提高网络模型的泛化能力。（2）网络模型的选择和优化卷积神经网络模型类型多样,针对本文研究的分类问题,通过对比VGGNet-16和GoogLeNet-inceptionV3两类网络模型的性能,选择更适合于本研究的网络模型。通过对比学习率对网络模型结果的影响,确定了更适合于本文数据集的参数,从而提高网络模型的识别准确率和运行速度。（3）特征增强与提取为进一步提高卷积神经网络模型的识别准确率,本文针对部分图像模糊的情况,使用暗通道去雾算法增强图像特征。同时对图像标准化和归一化处理,提高网络的泛化能力和计算效率。使用统计学的方法计算图像共生矩阵的六个纹理描述符,从而达到提取图像纹理特征的效果。（4）分类方案依据砂岩的三角图命名思路,构建分步识别的多网络分类系统。针对输入的岩石薄片图像,采取多采样的方式避免因图像局部因素对整体分类方案的干扰,对每一张图像结合直接分类网络特征、分步分类网络特征、图像纹理特征,以得分最高值类型决定最终输出的识别类型。以1000张图像作为测试集,检测本研究分类方案的识别效果,最终的识别准确率为88.7%。结果表明,本文的分类方案在砂岩岩石薄片识别问题上具有良好的效果,具备一定的推广和实际应用价值。