在土石坝等水利工程建设中,爆破块度不仅影响着钻爆开采成本以及装载运输经济效益,还事关大坝填筑质量和运行期的安全状况。因此,实现对爆破块度的控制是爆破施工的关键技术之一。影响爆破块度值的因素一般取决于两类参数:可控参数和不可控参数。其中岩体节理裂隙等因素对爆破块度影响较大,往往由它组成的结构面控制着岩体的破碎,因此对实施爆破开采作业区域进行岩体结构属性特征分析是十分有必要的。实际工程中,表征岩体结构面属性的指标通常根据地勘资料或设计人员的经验选取,此过程耗时费力且存在主观性过强等问题,对爆破效果和工程成本影响较大。针对此不足,使用传统图像处理技术、深度学习算法提取岩体裂隙信息并对其复杂度进行量化,并尝试将量化指标用于爆破块度的控制和优化中。论文的主要工作及结论如下:（1）岩体裂隙识别:本文将深度学习VGG＿UNet++网络模型用于岩体裂隙图像的分割中,首先构建深度学习训练数据集,包括灰度转换、图像增强以及数据扩充等操作;使用三种不同学习率训练卷积神经网络,从损失值、准确率和训练过程稳定性三方面选择最佳学习率,得到训练好的模型,通过测试和与其他算法的对比分析验证该模型的优越性。（2）岩体裂隙信息提取及量化:运用骨架提取、形态学操作等传统图像处理手段提取裂隙例如长度、宽度、方位角等几何信息;选取裂隙端点个数、交点个数、面裂隙率和分形维值这四个指标,通过熵权法——云模型评价方法量化岩体裂隙复杂度。（3）考虑岩体裂隙复杂度的爆破块度预测:尝试使用岩体裂隙复杂度这一指标表征岩体结构面属性,并用于爆破块度预测模型中。使用遗传算法优化的BP神经网络预测中值块度,结果基本满足预测精度。并使用人工神经网络下的岩石工程系统理论分析各参数对中值块度的影响情况,根据相对作用强度的绝对值大小和正负情况为爆破参数的优化和控制提供依据。