近几年来,随着卷积神经网络的迅速发展并在大规模图像处理领域取得了优异的表现,多个领域的研究者们都将目光转向了深度学习。将地质科学与计算机技术相结合,是一个新的研究课题与研究方向,而对于地质行业的从业者而言,如何在信息时代对大量的岩石样本图像进行分类管理并且有效的检索是值得研究与应用的课题。虽然深度学习已经在图像检索领域有了很好的表现,但是其在地质领域的应用仍然存在很多问题,例如算法运算复杂度较高,难以实时应用,网络训练要求大量的数据才能完成,该领域难以应用。为了解决这些问题,本文对已有的数据进行了预处理与增强,采用多粒度网络的思想,利用从多种粒度特征图中提取的信息来提升识别与检索的性能,能有效改善数据量不足的问题。本文的研究内容主要包括以下几点:首先,针对目前岩石样本图像数据量不足的问题,本文利用有限的数据通过数据预处理以及数据增强的方式丰富了数据和场景的数量,划分了训练集、测试集和验证集,并对数据集中的图片进行人工标注。其次,由于岩石样本的细粒度特征对于岩石样本图像的识别具有重要意义,本文使用了多粒度网络来对不同粒度的特征进行提取,并根据应用领域的特点对参数进行优化调整。根据设置的多组对比实验的结果表明,基于多粒度网络的岩石样本图像检索的精度有明显提升,说明细粒度特征对于岩石样本图像的识别是有效且必要的,多种粒度的特征提取有助于提升网络对于岩石的识别能力。最后,上述方法中对于数据源需要进行人工标注或者利用检测算法提取图像中的目标对图像进行处理,对此本文提出了一种对齐多粒度神经网络的岩石样本图像检索方法,通过结合空间转移模块来学习目标本身信息,使输入数据通过自我学习调整目标在图像中的大小与位置以及角度,使模型对于各种目标尤其是小目标的识别效果有了明显的提升,同时也提升了模型的鲁棒性。实验结果表明,本文所提出的方法是有效的。