岩石薄片图像是进行地质储层岩相鉴别的主要依据,通过对偏光显微镜下岩石铸体薄片的观察,能够得到该岩层中所含岩石的种类、粒度大小、孔隙分布等信息,这些信息为后续油气储藏量的推断提供了数据支撑。在分析油气烃源岩或储藏层的地质研究中通常采用人工鉴别的方法,将岩石薄片图像中的信息进行归纳总结,通过文字的形式完成岩石特征描述,但是这样的方式需要拥有专业地质知识的研究人员进行观察判别,不仅耗时耗力且鉴别效率较低。因此本文提出将图像自动解译技术运用在岩石图像的描述任务中,通过计算机图像处理与深度学习技术对岩石薄片进行处理与特征提取,在所提取特征基础上,将计算机视觉系统和自然语言处理系统相结合,最终实现目标岩石薄片微观特征的文字描述,以及对岩石薄片图像的高效全自动判读。本论文完成的主要工作内容如下:（1）本文使用超像素分割算法和区域合并相结合的方法对岩石薄片图像进行预处理,对岩石薄片图像进行分割与区域合并得到不同种类的岩石碎片图像,实现图像像素的降维,便于后续目标特征的提取。（2）随后建立ResNet卷积神经网络对目标碎片图像的数据集进行分类与识别,并基于识别结果对岩石中的矿物、孔隙组分进行特征提取,主要信息包含其大小、尺度、占比等。这些特征信息能够从定量角度实现对岩石薄片图像的评价,同时也为后续自动解译技术提供基础支持。（3）本文研究的核心部分在于基于深度学习的岩石图像自动解译生成方法研究。在上述研究基础上,该方法利用Seq2Seq模型实现对目标岩石组分特征信息的语义描述,通过实际数据的对比与测试,本方法得到的描述结果内容准确、逻辑关联度强且无语法错误。本文利用了图像分割与图像分类相结合的技术代替了单纯使用卷积神经网络提取特征,虽然技术要求更为复杂,但能够使得所提取特征更具可解释性与可靠性,也能够在过程中加入专家认识,符合了地质、石油天然气领域的实际需求。从实际测试结果来看,对于这种具有专业特色的语义描述问题,本文所采用的技术方法能够取得更为符合行业标准的结果。