煤岩在长期的地质运动过程中其内部广泛分布着各种尺度的裂隙。这些裂隙正是瓦斯和地下水的储存场所和运移通道。在地下采煤过程中会打破原有煤岩内部的力学平衡,导致裂隙网络发生延伸、断裂等变化,进而引起瓦斯、地下水的突出等,造成重大的人员伤亡事故。因此,研究煤岩应力场的变化下裂隙的演化规律具有十分重要的意义,而煤岩CT图中裂隙的准确识别能为相关研究提供强有力的支撑。而煤作为一种自然体,在煤岩CT图像中裂隙背景复杂,使得裂隙准确识别面临很大的挑战。本论文来源于校内自选项目,基于序列煤岩图像中裂隙的序列特征研究准确识别裂隙的方法。煤岩图像中裂隙的识别主要面临的难点有:（1）伪影及杂质等噪声严重,背景复杂:煤岩作为一种地质演变中自然生成的矿物,在其内部有各种杂质,在图像中呈现为密集的杂点噪声,严重影响了煤岩裂隙的识别。而且裂隙和煤基质的灰度值范围接近,图像对比度低。仅仅使用基于灰度的传统图像处理方法很难有效去除图像噪声和提高图像对比度。（2）弱边界裂隙广泛存在:在煤基质中常常有弱边界裂隙的广泛分布,在地下采煤导致煤岩应力场改变时,这些弱边界裂隙往往是最可能发生延伸、断裂等地质变化的位置。因此弱边界裂隙对后续的裂隙力学研究十分重要。弱边界裂隙的准确识别是本文研究的重点。（3）裂隙特征复杂:裂隙没有固定的形状特征,其形状和位置分布具有随机性。人工很难对特征复杂的煤岩裂隙进行准确定义,使得能够准确描述裂隙特征的算法难以提出,这限制了传统图像处理方法在煤岩裂隙识别中的应用。（4）大量裂隙的精细标注困难:煤岩裂隙特征复杂,对煤岩中弱边界裂隙的准确标注十分困难。这对深度神经网络动从少量标注数据中学习裂隙特征构成很大挑战。深度神经网络作为一种数据驱动的技术,训练数据缺乏会导致最终获得的识别模型不准确。由于存在上述这些难点,煤岩图像中裂隙的准确识别具有很大的挑战。通过深入研究,在序列煤岩图像中裂隙除了具有二维特征,还存在三维灰度特征、三维形状演变特征,本文主要基于这两个特征来研究实现裂隙识别的方法。本课题的研究内容及创新点如下:（1）提出基于曲线演化的裂隙识别方法:利用裂隙的三维灰度特征扩展传统空域滤波方法,对煤岩图像进行去噪、增强,改善煤岩图像质量。提出裂隙形状渐进变化模型,实现初步的裂隙边界预测识别,再用梯度方向一致性优化模型对裂隙边界位置进行优化,获得更加准确的裂隙位置。该方法计算简单,对小批量且裂隙单一的煤岩图像能获得很好的裂隙识别效果。但是无法应对裂隙轮廓线拓扑变化的情况。（2）提出了基于曲面演化的裂隙识别方法:研究基于水平集方法,将二维识别问题上升到三维空间来考虑,有效应对裂隙边界在演化过程中出现的拓扑改变情况。针对裂隙形状随意的难点,基于裂隙三维形状渐进变化特征获得裂隙先验形状,用裂隙先验形状来约束水平集曲面函数的演化,最终实现裂隙识别。水平集函数能够容易融合各种特征,但是人工对于裂隙其他特征很难定义,限制了该方法的识别效果。（3）提出了融合多尺度特征的卷积神经网络裂隙识别方法:构造深度神经网络自动从少量裂隙标注数据中充分学习裂隙特征。为了提高裂隙的特征学习能力,并行使用两个不同的特征提取网络。在网络中使用加权的特征融合层来更好的融合多尺度裂隙特征。同时,使用数据扩增技术和迁移学习来缓解裂隙标注数据量少的缺点。基于裂隙形状的渐进变化特征对卷积网络的识别结果进一步优化。该方法实现了裂隙特征的自动学习,但是无法直接学习裂隙三维特征。（4）提出了基于序列差分的三维卷积神经网络裂隙识别方法:序列煤岩图像顺序叠加构成一个离散的三维数据场,研究使用三维深度卷积神经网络直接从这个三维数据场中学习裂隙的三维特征。用扩张卷积替换池化操作,在扩大感受野的同时不增加计算量,而且还起到了对图像降维的作用。网络使用加权的特征融合方式,使得模型更加准确。基于序列差分法来定位邻近图像间裂隙边界变化位置,构造加权交叉熵损失函数,加大裂隙边界变化位置的权重,除了裂隙变化位置和标注图中的裂隙区域其余的像素点权重都为0,大幅降低三维深度网络的训练时间,加快网络收敛速度,提高最终裂隙模型的准确性。经过对序列煤岩图像中裂隙特征的深入研究,提出基于不同理论基础的四种裂隙识别方法,这四种方法互相关联和支撑,实现煤岩裂隙的准确识别。