显微组分和微裂缝是煤储层重要的微观特征,影响煤储层产气能力和力学性质。采集鄂尔多斯盆地深部煤层气井石炭系本溪组8#煤层样品,运用ResNet残差神经网络识别方法,研究了显微组分和微裂缝发育特征。在煤样305个显微组分和65个微裂缝图样本研究的基础上,建立了基于残差神经网络识别的煤岩显微组分和微裂缝识别方法,并利用残差神经网络技术对镜下数据进行反演,构建了深部煤储层显微组分和微裂缝的识别和分类模型。结合地质特征和聚类算法结果联合验证,模型具有可靠性。显微组分预测准确率为0.90,微裂缝预测准确率为0.80,可以有效预测煤岩显微组分和微裂缝类型。模型识别与预测表明裂缝形态与显微组分具有相关关系。裂缝的发育与显微组分中的镜质组关系最大,裂缝类别和数量的预测结果与显微组分发育的相吻合。