岩石薄片图像的分类在地质工作中具有非常重要的意义。过去大多使用的是人工鉴定的方法,这种方法受人为因素的影响比较大,而且效率比较低。近年来,随着人工智能的发展,人们开始寻求利用计算机实现对岩石薄片图像的高精度自动化分类。本文通过分析岩石薄片图像的特征,提出了一种融合多维信息的岩石薄片图像深度学习分类方法。该方法主要包括了多维信息融合策略、分块合成策略与最大似然法结果融合策略三个方面,能够综合利用岩石薄片图像的多维信息,兼顾图像的局部与全局特征,并结合了不同类型图像分类模型的结果,从而获得较高的岩石薄片图像分类准确性。本文的研究成果总结如下:(1)对岩石薄片图像的特征进行分析,发现岩石薄片图像具有消光特征、颜色特征、形状特征、纹理特征与全局组合特征。为了综合利用这些特征,提出了一种多维信息融合的策略。首先将各个角度的单偏光和正交光图像融合到一起进行主成分分析,取前三个主成分生成新图像,得到融合后的图像。然后将单偏光图像、正交光图像与融合图像分别进行训练与建模,得到单偏光图像、正交光图像和融合图像的分类模型。(2)为了确保对岩石薄片图像局部微小特征的充分挖掘,同时兼顾图像的全局特征,提出了一种分块合成的策略。首先将每块岩石薄片图像分块,然后将所有的分块图像送入卷积神经网络模型中进行建模,得到分块图像的分类模型,最后将待分类图像分块后送入分块图像的分类模型中,在得到所有的分块图像的预测结果后,将其合并统计得到最终的分类结果。(3)为了从不同的方面对岩石薄片图像进行分类,实现不同分类模型结果间的互补,提高分类精度,将每块待分类岩石薄片的图像分为单偏光图像、正交光图像和融合图像分别送入对应的模型,最后采用最大似然法对三个分类模型的结果进行融合。(4)利用偏光显微镜对岩石薄片在单偏光和正交光下从不同旋转角度进行拍摄,获得了砂岩、玄武岩、响岩、安山岩、流纹岩、苦橄岩、花岗岩、辉长岩、闪长岩、砾岩、灰岩、橄榄岩、片岩等十三类岩石薄片图像共计4752张。基于本文提出的方法对十三类岩石薄片图像进行建模与分类,实验结果表明本文提出的方法取得了较好的分类准确性。