现代矿产开采中，爆破成本控制占据了整个矿产开采的成本控制的很大一部分，这就使得爆破效果的控制在整个矿产开采流程中至关重要，而爆破效果的控制与爆破参数直接关联，这需要采集现场真实的数据来指导爆破参数的优化。为了解决当前对于矿区现场爆堆块度识别时存在的精度低、实时性差、泛化性能弱等问题，基于爆破参数优化的需要，提出了深度学习框架下的爆堆块体精细分割方法（Point+S Deeplabv3+）。首先模型在骨干网络特征提取部分引入了多分支可分离注意力机制，学习不同通道间的权重特征并融合，改善了提取特征时跨通道交互缺乏的问题；在解码阶段，运用点渲染模块，通过迭代选取点在不同尺度特征图的特征，逐步的对于每个点对应的低级语义特征和高级语义特征进行拼接，解决了上采样时大量丢失语义信息，使得边缘及小目标分割精度降低的问题；最后使用动态学习率调整策略，加快了模型的收敛速度。实验结果表明，基于Point+S Deeplabv3+模型的MPA和MIoU分别达到了94.36%和89.04%，对比主流的语义分割网络，如FCN、UNet、PSPnet和Deeplabv3+相比，基于Point+S Deeplabv3+的模型MPA和MIoU分别提升了3.04%、4.44%、2.79%、1.52%和2.95%、4.36%、3.17%、1.88%，具有更好的综合性能，特别对于边缘和小目标的分割效果有了明显改进。因此，基于Point+S Deeplabv3+的分割模型为在爆破现场环境下的爆破参数优化数据采集提供了实时便利、可靠的理论依据。