在地质调查中,野外露头区域的岩石图像可为研究地层中的油气运移提供关键信息。因此对于野外露头区岩石图像的裂缝和岩石种类研究在地质学研究领域是一项很重要的课题。传统的野外露头区岩石图像分割多采用人工描绘的方式,这是地质考察中最常用的一种方法,但是该种方法效率较低、费时费力,而且受观测人员的经验影响很大,较难提供定量的数据用于分析。图像处理技术的发展使得对露头区岩石图像分割的研究消除了人为主观因素的影响,相对于人工描绘更为准确,但传统的技术仍然无法满足为地质考察和资源探测模型提供高精度的数据支持。近些年来,基于机器视觉的裂缝检测和分割方法得到了广泛的发展,但这些方法只能在特定的环境下才能对结构简单的裂缝进行较高准确率的检测和分割,且在这种特定的环境图像中只能检测裂缝的有效信息,很难对裂缝和其他元素的进行同时分类。在实际的野外露头区环境中,岩石图像分割易受到环境因素的影响,使得传统的方法获得的结果误差大,模型泛化能力低。近年来,深度学习在图像处理领域得到了高速发展。本文针对真实环境下采集的野外露头区岩石图像数据集,提出一种基于深度学习图像语义分割的野外露头区岩石图像分割算法RC-Seg Net,该算法采用编码器-解码器的主体结构,其中编码器部分基于Res Net50模型用于提取不同层次的特征,引入CRA（collaborative refinement attention block）模块增强对特征全局上下文信息的有效提取,同时可以保留准确的位置信息,有助于网络更准确地定位感兴趣的对象。此外通过长短跳跃连接将编码器的低级表层特征映射和解码器的高维抽象特征映射进行融合,从而实现对岩石图像中裂缝和岩石种类更精确的分割。结果表明本文提出的图像语义分割算法模型在Mean Accuracy和MIo U值两个指标上实现了整体91.7%的识别准确率,其中对岩石裂缝的检测准确率达到了87.8%,对岩石的分类准确率达到了96%,都明显优于Seg Net、U-net、FPN和Res Net50等经典语义分割算法,该方法的应用有效地提高了对岩石图像的分割准确率。