壳质组是煤岩显微组分三大组分组分之一,虽然其储藏量较少,却有着较高的氢含量、产烃能力和挥发性能,广泛应用于油气的生成。因此,对煤岩壳质组进行自动分类与识别极具研究意义。本文在分析比较煤岩壳质组显微图像特征的基础上,针对其结构复杂、多样、采用传统的方法构建特征量集信息冗余量大等问题,采用卷积神经网络模型对壳质组显微图像的特征量进行提取,构建适合于小样本分类问题的支持向量机分类器进行分类,并与由传统的方法提取煤岩壳质组显微图像的特征进行分类的结果进行比较。验证了卷积神经网络模型用于煤岩壳质组显微图像特征提取的有效性。论文的主要工作如下:(1)在广泛查阅相关文献的基础上,综述煤岩显微组分识别、图像分类算法和卷积神经网络算法的国内外研究现状。(2)分别从颜色特征、形状特征和纹理特征的角度对煤岩壳质组显微图像进行分析,提取基于灰度共生矩阵、Tamura纹理和小波分解的共计19维传统特征量,并对其进行分析。(3)以卷积神经网络的基本原理和算法为基础,探究卷积神经网络模型用于煤岩壳质组显微图像特征提取的有效性。通过搭建不同的卷积神经网络模型并选取不同网络深度,分析网络模型及网络深度对煤岩壳质组各组分特征提取的影响。(4)根据由深度神经网络提取的较为理想的特征层的特征矩阵,构建支持向量机分类器,并对煤岩壳质组显微组分进行分类,并与由19维特征量进行分类的结果进行比较,验证卷积神经网络用于本文特征提取的有效性。本文的特色与创新之处主要在于:卷积神经网络直接以原始图像作为输入,对样本的原始数据集进行高层抽象建模,构建复杂的高维特征空间,从训练样本中自动学习特征,实现特征的隐式抽取。与传统的特征提取方法相比,本方法具有特征提取表达性强、分类准确率高和算法简单等特点。