随着计算机技术的崛起,地质调查工作方式产生了巨大的变革。岩石图像识别是地质学研究的一个重要领域,也是地质调查工作的一项重要内容。在目前的岩性识别工作中,仍需专业人员对野外获取的岩石标本制备岩石薄片进行分析,整个流程工作量大,时间周期长。为优化此流程,本文提出基于深度学习的岩石图像识别方法,探索岩石新鲜剖面图像的自动识别。一方面,本文提出了基于深度学习的岩石岩性自动识别方法。针对岩石新鲜剖面图像,结合迁移学习方法,通过对预训练模型的冻结与微调,实现了基于VGG、Res Net和Dense Net的岩石图像识别模型,获得了岩石岩性识别最佳实践。对比分析表明,Dense Net网络结构深度大、连接稠密,作为模型的特征提取器,可以在岩石新鲜剖面数据集上获得最佳识别效果,其中模型my Dense Net-all在测试集上的F1为89.84%,准确率为94.48%。另一方面,针对地质人员野外离线作业环境,本文研究了岩石识别模型的压缩和移动端部署。通过轻量化模型设计、网络剪枝和模型量化的思想,设计并实现了岩石图像识别的压缩模型,大幅降低模型大小。实验表明,先进行0.1阈值的通道稀疏化,再量化整个模型,可以在降低模型大小的同时,获得最佳的模型精度。模型在移动端测试集上的F1为89.02%,准确率达94.14%,大小仅18.7MB,适用于野外离线条件下,岩石图像的快速精准识别。本文通过以上两方面的研究,实现了基于深度学习的岩石新鲜剖面图像自动识别,获得了岩石岩性识别最佳实践;模型压缩与移动端部署,实现了野外离线条件下的岩石岩性自动识别,得出了野外地质调查工作中岩石识别问题的全新解决方案。