在地质学领域中,砂岩薄片的鉴定对于油气勘探具有重要的指导意义。当前主要通过人工观察的方式分析砂岩薄片,消耗大量时间和人力成本,并且因分析人员经验不同造成鉴定质量良莠不齐。研发砂岩薄片自动化鉴定装置,有助于节约人力并提高鉴定效率。自动化鉴定装置的核心技术是识别和分析图像,因此砂岩薄片图像识别技术的研究具有重要的意义。本文针对砂岩薄片图像确定了先分割图像再进行识别的思路。首先基于超像素算法对砂岩薄片图像进行分割,再训练卷积神经网络模型识别子图像中组成成分类别。因此本文围绕超像素分割算法和图像识别模型两部分展开研究,主要研究内容和成果概括如下:(1)针对砂岩薄片图像分割问题,本文基于SLIC算法提出了一个自适应超像素数量的AS-SLIC算法,该算法可根据区域颜色直方图动态地产生超像素。同时改进了算法中的特征距离度量函数,使其能够结合多幅图像产生超像素。在砂岩薄片图像上的实验证明,本文提出算法的边界召回率相对SLIC算法有所提高,并且多图像分割算法相对单图像的分割精度更高,一定程度上缓解了传统算法的欠分割问题。(2)针对超像素算法产生的过分割问题,本文提出了一个基于区域特征相似度的超像素合并算法,该算法提取区域特征并根据区域间特征距离来合并过分割区域。实验结果证明本文提出的超像素合并算法能够合并大多数过分割区域,可以大幅度提升边界分割准确率,使分割结果更接近人工分割的结果。(3)针对砂岩薄片图像组分(组成成分)识别问题,本文设计了一个轻量级的卷积神经网络模型。本文结合深度可分离卷积、密集连接和残差学习的思想提出了 Res2Dw模型,该模型在减少参数量的同时且具有较深的网络结构和多尺度的感受野。本文还采用图像增强、类平衡损失函数等策略缓解数据分布不均衡问题带来的影响。实验结果表明,本文设计的模型参数量保持轻量级的同时获得了比同量级的模型更高的识别精度。(4)针对模型识别精度问题,本文设计了大量实验进行验证。本文研究过程中制作了两个图像数据集,然后通过实验探索了如何提升模型识别精度,最终训练出的模型对105类砂岩组分的识别准确率最高可达89.8%。