海底热液硫化物是火山活动及热液作用的产物,因其富含多种金属元素,被认为是人类未来可资利用的矿产资源。因此,查明海底热液硫化物资源的分布,是全世界科学家所感兴趣的工作。海底视频摄像是多金属热液硫化物勘查的直观且有效技术手段。通过判识海底图像,可识别岩性类型,观察海底环境,寻找海底热液硫化物矿化信息。传统人工判识图像方法,效率低、误判率高,使得该技术只能作为海底热液硫化物勘查的辅助方法。为此,我们引入人工智能技术（深度学习）,建立海底图像自动判识模式,实现海底图像自动分类识别,以提高海底视频摄像技术勘查海底热液硫化物的效率和准确率。结合地质先验知识和大西洋洋中脊勘查所获得的认识。将海底岩性划分为远洋沉积物、普通玄武岩、枕状玄武岩、玄武岩角砾、过渡带沉积和热液硫化物六种类型。人工为31499帧海底图像,标注上述六类岩性和两类无效类型,形成海底图像分类的“训练或验证图集”;基于深度学习,搭建Res Net、Swin-Transformer、Conv Ne Xt网络,并利用“训练或验证数据集”进行训练和验证,得到海底图像判识模型;利用判识模型对勘查区27条视频测线进行海底图像自动判识。实际判识效果:（1）Conv Ne Xt网络训练集准确率可达99.3%,Res Net为97.4%,Swin-Transformer为97.3%;（2）Res Net验证集准确率为98.0%,Conv Ne Xt和Swin-Transformer为97.9%。表明深度学习识别海底岩性具有很高的泛化能力,可用于其他勘查区的调查工作。（3）深度学习识别每帧图像仅需0.018秒,远快于人工判读,逐帧识别速度高于视频采样速度（0.04秒/帧）,基于深度学习既可以高效分析已有视频数据,也可以实现海底摄像与岩性识别同步进行,快速定位矿点,实现海底资源调查智能化。结合人工智能对视频测线进行逐秒识别,完成了研究区地质填图。在此基础上圈定了五处验证靶区,并利用块段法、10米和20米矿体平均厚度和面积-吨位模型估算资源储量,得到研究区资源量分别为38Mt、25Mt、50Mt、26Mt。说明基于人工智能海底视频图像判识技术能大大促进海底热液硫化物勘查和资源评价能力。