图像目标检测技术作为人工智能中的重要组成部分,已经成为当前的研究热点,并广泛应用于众多领域。岩石种类识别是矿山地质调查、岩体稳定性评价、地质教学和地质科学普及的基础工作,而当前岩石种类识别方式较为传统,存在着主观因素影响大、检测场景单一、检测流程复杂等缺点。本文基于图像目标检测技术对岩石种类智能识别展开研究,解决了传统岩石种类识别存在的上述问题,本文主要包括以下内容:（1）分析基于浅层学习的图像目标检测算法和深度学习原理。首先对传统图像目标检测算法的特征提取方法和检测原理进行分析;其次阐述深度学习相关原理,重点分析卷积神经网络和Tensorflow深度学习框架;最后分析出深度学习相比浅层学习在特征提取方面优势明显。（2）自主研发聚焦网络爬虫程序,进行大规模数据获取。由于矿山条件限制,现场获取的岩石图像数据有限,为了高效收集大量岩石图像,依据爬虫开发原则,基于Beautifulsoup特定网页结构分析,建立反反爬虫机制,通过第三方库导入、索引页地址构建、图片实际网址获取等手段,自主研发大规模数据获取聚焦网络爬虫程序;利用爬虫程序结合数据筛选,于互联网中精准且高效的爬取岩石图像数据。（3）通过实验对比的方法对基于深度学习的图像目标检测算法进行研究,得出岩石种类识别最佳算法。在对Faster R-CNN和YOLOV3进行原理分析的基础上,使用Python语言复现此两种算法;基于ImageNet参数初始化方法,利用9963张日常生活场景下的图像数据和6852张岩石图像数据分别对两种算法进行模型训练过程及检测效果对比,发现两种算法针对不同数据集不具备普遍适用性,并且得出岩石种类识别最佳算法为 Faster R-CNN。（4）改进VGG16卷积神经网络作为基础特征提取网络,进而构建岩石种类识别Faster R-CNN模型,并对模型进行训练、优化、应用及评价。在计算多种优质卷积网络计算量和参数量的基础上,预估其训练所需显存,结合实验设备显存大小,选择并改进VGG16作为岩石种类识别模型的基础特征提取网络,并创新性地将其特征提取过程进行可视化处理,直观表达了深度学习的特征自动提取过程;在计算机环境适用性配置、训练初始参数设置、引入ImageNet预训练模型的基础上,对岩石种类识别Faster R-CNN模型进行训练;结合数据增强及增加网络层数的方式优化模型,最终模型检测准确率提升2.33%;利用模型对单、多类岩石图像进行检测应用,检测效果良好;对比外观相似及随机裁剪前后的岩石图像检测效果,对本文岩石种类识别模型进行鲁棒性和泛化能力评价。