在岩石录井工程中,通过岩石实物样品确定地层岩性、流体性质以及岩层位置,进而确定油气田的储藏情况;在地球环境演化过程中,岩石矿物也会随之产生变异或者转变以适应地球环境的变化;另外,加强对地球上的地质构造、岩性条件等影响地质灾害的重要因素研究有利于提高对地质灾害进行预测的能力。因此,岩石岩性识别在油气田探测开发、研究地球成因及演化发展、地质灾害分析预测等众多方面起着不可替代的导向作用,岩石的识别分类对于实现快速地质勘探分析至关重要。目前,在地质工作中的传统岩石分类方法主要是物理实验观察法,这种方法对工作人员的专业知识掌握程度及经验要求较高,并且该方法主观性强、重复性低。其他的化学分析方法如X射线荧光光谱法（XRF）、X射线衍射分析法（XRD）等制备过程复杂,分析周期长,检出限高,实验的实时性和准确性得不到满足,因此不适合野外分析作业。而近些年得到快速发展的利用机器学习算法对岩石矿物进行分析的方法准确性较高,对工作人员掌握的地质专业水平要求较弱,并且能够使整个识别过程更加智能化和自动化。采用激光诱导击穿光谱技术（LIBS）与机器学习算法相结合完成对岩石矿物进行数据采集并分析的方法同时具备LIBS技术中的样品预处理简单、破坏性小、分析时间短、可实现实时在线及远程监测等优点以及具备专业依赖性较弱、智能化程度较高等优点,因此在岩石分类的应用上极具潜力。本文以基于LIBS的岩石分类为应用背景,自主设计搭建了岩石分类实验系统,完成了不同岩石样品的光谱数据采集。分析了实验参数如激光脉冲能量和采集延时时间对光谱数据采集产生的影响并进行系统参数设置,最后对实验方案中激光轰击位置的间隔设置进行了说明。针对岩石二分类实验,首先对6块岩石样本进行特性分析,并对岩石光谱数据进行光谱强度和归一化的预处理操作,在根据各岩石样本间矿物组成差异的基础上确定了用于岩石分类的特征谱线并生成元素指纹图谱。交叠裁剪元素指纹图谱并求取谱线平均值后形成样本数据集,建立岩石分类中通常采用的光谱均值分类模型,结合分类结果及两类岩石的平均谱图分析得出利用平均光谱的分类方式的缺点。为了解决利用平均谱无法准确分类的情况,提出了一种利用岩石表面指纹图谱进行岩石二分类的支持向量机（SVM）方法,并与利用平均光谱的分类方法进行对比分析。结果表明,利用多维指纹图谱分类的方式相比于利用平均光谱的分类方式的岩石分类准确率得到了明显提升。原因在于第二种分类模型中的指纹图谱在使用岩石中矿物元素含量信息的同时保留了岩石本身的矿物空间结构特征,因此分类效果更好。在岩石二分类的基础上进行岩石四分类的研究,首先采用岩石二分类中提出的利用多维指纹图谱的SVM分类方法,结合实验结果发现岩石四分类效果并不理想,对分类准确率不高的原因进行了分析。为了提高岩石四分类的分类准确率,提出了多维指纹图谱的SVM分类模型与平均谱线的KNN分类模型相结合的岩石四分类方法。该方法既利用了岩石指纹图谱中所保留的岩石本身的矿物空间结构特征,又利用了砾岩和页岩两类岩石的光谱谱线在元素种类和元素含量上存在的较大差异,因此岩石分类准确率普遍高于利用多维指纹图谱的SVM四分类方法。通过本文对不同岩石样品进行的二分类及四分类研究,提出了两种针对岩石不同特征对岩石进行分类的方法,这两种方法提高了相应岩石二分类和四分类的分类准确率,说明了采用LIBS技术对岩石进行光谱数据采集并利用机器学习算法对采集到的光谱数据进行分类的方式具有很大的应用潜力。