岩石薄片中的矿物成分与微观孔隙结构信息对油气储层的分析与预测具有重要的意义。因此,鉴定岩石薄片是石油地质、油气田勘探与开发的重要工作之一,影响着油气井的产能与采收率,是油气藏高效勘探和开发的重要保障。传统的鉴定方法是将岩石薄片置于偏光显微镜下,通过人工观察与鉴定,因此工作量大易受外界因素影响,鉴定结果往往不准确,甚至存在一定的误判率,进而影响油气储量的判别。通过机器学习与交互式的图像分析方法识别复杂的岩石薄片图像,降低了人工鉴定的时间成本与错误率,极大地提升了识别的效率,可以精确识别图像中的每一个像素。为进一步油气储层开发工作提供重要的基础。首先,实验将根据不同孔隙类型、孔隙密度、矿物类型、染色情况选取有助于对比分析的岩石薄片样品,通过偏光显微镜与高清相机拍摄成图像,然后对选中的图像采用中值滤波的方法进行预处理,降低图像中噪声与杂质的影响,消除影响分析结果的干扰因素,为接下来的分析工作提供基础。其次,将图像的成分分类为孔隙部分、强溶蚀部分、弱溶蚀部分与岩石骨架四种类型。依次采用交互式的提取方法提取训练样本集与测试样本集,标记类型标签。分别利用机器学习中有监督的支持向量机、贝叶斯分类器和无监督的Kmeans聚类算法训练分类器,然后完成对所有图像的分类识别。实验发现,支持向量机对于训练样本的选择较为敏感,不易控制,对弱溶蚀与岩石骨架区分不明显;K-means聚类算法由于无监督的特性,对孔隙的复杂表现形式识别能力欠佳;朴素贝叶斯分类器在此类岩石薄片图像样本中的分类效果最稳定,识别正确率最高。因此,实验根据朴素贝叶斯分类器的识别结果进行孔隙分析,独立提取出各图像的孔隙部分,进一步获得图像的孔隙数量、孔隙周长、孔隙面积等相关参数信息。