矿石矿物的镜下识别与分类是地质工作中不可缺少的环节,也对整个地质工作起着基础性和指导性的作用。为了提高岩矿识别与分类的效率,减少人为主观因素对地质工作的影响,本文立足于当前大数据与人工智能技术飞速发展下的时代背景,探讨建立基于深度学习的镜下矿石矿物自动识别与分类系统。论文运用计算机视觉技术和深度卷积神经网络理论,利用大数据平台Tensor flow框架,建立深度卷积神经网络模型,并将来自吉林夹皮沟金矿等不同地区黄铁矿镜下照片进行了图像数据的输入,建立了学习模型从而实现了镜下黄铁矿石图片中不同矿石矿物的自动识别与分类。研究取得如下结果和认识:(1)本文提出了一个有监督学习的深度卷积神经网络模型用于矿石矿物镜下照片的自动识别与鉴定,形成了一套有效的镜下矿石矿物深层特征信息提取方法,所选的黄铁矿、黄铜矿、方铅矿及闪锌矿四种矿物在训练以及测试过程中,经过约3000个批处理之后结果都趋于稳定,为镜下矿石矿物的自动分类与识别提供了有保障的科学依据。(2)对卷积神经网络进行训练和测试后,提出了一种卷积神经网络图像分类框架,得出了矿石矿物镜下图像中各矿物的平均识别准确率与识别错误率,所有样品均达到90%以上的识别率,所有样品的平均识别率达到92%以上,显示出模型较优秀的分类准确性和良好的鲁棒性。 因此,未来矿物自动识别的技术可以辅助地质工作者来对矿石矿物的镜下照片进行识别与分类,提高地质工作者的工作效率。