岩石组分研究是一个复杂问题,矿物颗粒、粘土物质、孔隙等等都具有其特殊性。本文选取对于油气田勘探、开发较为重要的孔隙作为组分研究目标,对孔隙的类别进行分析,实现粒间孔、晶间孔与溶蚀孔的分类与识别。岩石孔隙识别是地质勘探中的一项重要研究工作,对岩石孔隙结构的深入认识是提高原油采收率的关键因素,传统的岩石孔隙识别主要以肉眼观察为主,存在周期长、定量难、识别效率低等问题,针对该问题,本文将深度学习算法应用到孔隙组分的分类与识别中。不同的深度学习算法性能各异,本文选取卷积神经网络与深度信念网络作为研究对象,采用鄂尔多斯盆地的岩石铸体薄片图像建立数据集对其进行测试与分析,从而实现岩石孔隙的自动分类与识别。首先使用样本图像调整网络结构得到最适合解决岩石孔隙分类问题的卷积神经网络结构和深度信念网络结构。然后将样本图像转化到HSV和YCbCr颜色空间下,再分别进行实验测试与对比分析。最后分析卷积神经网络和深度信念网络不同色彩空间下的分类性能并与其他分类方法进行比较,得出,卷积神经网络和深度信念网络在岩石孔隙图像识别问题中的表现卓越,具有更高的识别准确率。相比之下,YCbCr颜色空间下则CNN和DBN能够取得较高的识别准确性。本文将深度学习算法应用到岩石孔隙的分类中,并通过实验验证其可行性及适用性,不仅克服了传统人工识别中的主观性影响,提高了分类准确度和工作效率,为岩石组分分析问题的解决提出了新思路,具有一定的工程应用价值。