岩石裂缝为岩石受到超出自身所能承受最大受力范围时产生的一种缝隙,由产生的方式分类通常可分为“成岩裂缝”、“次生裂缝”和“构造裂缝”三种类型裂缝。其中成岩裂缝是在成岩过程中产生的裂缝,次生裂缝又称为风化裂缝由岩石在自然中受到温度、水和生物等风化产生的裂缝,构造裂缝为岩石受到地壳运动产生的一种裂缝。由于在地质勘探中可以通过此类裂缝研究地质结构演化过程和对地下矿产资源进行预测,因此对此类岩石裂缝的研究是在地质学研究领域的一项很重要的课题。裂缝信息在地质勘探中属于最为基础的数据之一,当基础数据出现误差时无疑会对后续的模型研究带来巨大的偏差,造成大量的物力和人力资源的浪费,更甚严重将会对采矿行业人员的人身安全造成威胁。而目前对于此种裂缝的信息的获取主要还停留在准确率与效率较低的人工手绘描述和传统图像处理等阶段。随着深度学习在计算机图像处理方面的发展日益深入,深度学习已经应用到各行各业。针对野外露头区岩石裂缝信息对地质学研究较为重要但对其识别方法较为传统造成识别效果差这一实际情况,本论文提出了一种基于深度学习的野外露头区岩石裂缝识别方法,该方法的应用使得岩石裂缝识别的准确度和效率得到提高。该方法基于谷歌Tensorflow深度学习框架,首先将预处理的训练数据集图片进行人工挑选预分类为裂缝和背景两类图片并分别放入裂缝和背景相应的文件夹,通过数据集读取程序将两个文件夹内的图片打上裂缝和背面标签并分批次输入至基于Tensorflow的卷积神经网络模型进行训练。其次,使用滑动窗口算法和标准差预筛选算法对预处理过的二值化岩石裂缝图片进行获取和预筛选。最后用已完成训练的卷积神经网络模型及数据对滑动窗口算法获取的未筛选排除的二值化面元识别分类为裂缝或背面,显示裂缝面元并记录位置信息,省略背景面元及位置信息,通过记录的二值化裂缝位置信息对未经二值化预处理的原色岩石裂缝图片进行裂缝定位并显示。实验结果表明所用方法对野外露头区岩石裂缝的识别准确率高于91%,可以为地质勘测和资源预测等地质学研究的分析模型提供更准确便捷的裂缝识别方法。