石油地质行业中,对岩石铸体薄片进行研究的传统方法是使用显微镜对这类薄片进行观察,标记铸体区域或者颗粒后开展统计分析。这种方法对研究人员的操作经验要求较高,进行铸体或颗粒标记的工作较为繁重,而且容易因为标记人员主观方面的原因导致部分样本标记错误。在图像处理技术发展下,石油地质行业借助于数字图像技术对铸体薄片展开分析已经较为普遍,利用人工交互的方式对图像的孔隙进行提取,并进行颗粒分割处理,提高了岩石铸体薄片图像的分析效率及准确性。但是由于岩石铸体薄片中不同铸体区域的颜色差异,颗粒形态与位置分布情况复杂,这使得人工交互式提取的精准性往往不能满足具体要求,对孔隙区域的提取及岩石颗粒的分割在岩石铸体薄片分析中仍是前期工作的难点。本文以深度学习为基础,进一步优化分割结果,从实现岩石颗粒边缘检测以及孔隙区域的自动提取,然后基于提取的薄片图像开展颗粒分割,并深入开展薄片分析,研究内容主要包括:1、卷积神经网络CNN（Convolutional Neural Networks,CNN）基本理论的研究。剖析CNN与传统人工神经网络ANN（Artificial Neural Network,ANN）之间存在的差异,同时还详细介绍了CNN结构中的关键环节,如卷积操作、下采样等,并对CNN中的权值共享、局部连接等优势进行了阐述。引入网络训练所使用的数据集,对图像进行分切处理,引入图像增强方法,进一步拓展数据集,提升模型的泛化能力,同时防止过拟合现象对实验结果产生影响。2、基于全卷积神经网络U-Net的铸体区域提取。基于RGB和HLS这两种彩色空间的铸体分割效果受限于数据集样本色彩分布特征,本文借助全卷积神经网络来实现对铸体区域的语义分割,训练网络模型对原始铸体薄片图像进行铸体与背景区域二分类,并使用4种评判标准分别对多种全卷积神经网络的预测结果进行评价,最后综合网络参数量、网络在岩石铸体图像数据集下所需训练时长等方面进行横向对比,表明了U-Net网络在铸体分割上的优势。3、基于深度学习RCF网络的岩石颗粒边缘提取。传统边缘检测算法在检测边缘的过程中还会检测出岩石颗粒的内部纹理,导致检测结果无法应用于岩石颗粒分割任务。本研究中运用神经网络对岩石颗粒边缘进行检测。对比不同网络模型之后,最终遴选了RCF网络。通过训练模型,将图片进行多尺寸缩放变换后构建图像金字塔、图像二值化去除伪边缘等操作,进一步提升岩石颗粒边缘检测的准确度,并对检测结果进行评价,证明了深度学习在边缘提取上的优势。4、基于神经网络进行岩石颗粒边缘检测与铸体区域提取,并进行岩石颗粒分割。岩石边缘检测和铸体区域分割有密不可分的关系,将二者结果叠加可以达到岩石颗粒分割的效果。本文通过形态学膨胀与形态学腐蚀,解决了叠加颗粒边缘预测图与铸体区域预测图结果中出现的边缘处误分割现象,完成了岩石图像颗粒分割,并与传统阈值分割结果进行了对比。实验结果证明基于深度学习的岩石颗粒分割效果优于传统阈值分割。