随着近年来计算机科学技术的快速发展，地球科学行业与大数据、人工智能等新兴方式方法更加紧密的结合成为了必然趋势。其中，机器学习是使计算机具有人工智能的基本途径，而深度学习是机器学习中相当重要的一部分，也是过去几年地球科学与计算机科学技术交叉的研究热点。卷积神经网络（CNN）在图像、音频识别等方面有着不可替代的效果（Lipton et al., 2015）。现有学者基于卷积神经网络开发出了很多用于岩矿鉴定的模型（周永章，2020）。
目前，各学者基于卷积神经网络，建立的模型主要有两个方向：第一个是基于光学显微镜拍摄的薄片照片，达到对照片中的矿物进行分割、标注的效果（SINGH N et al,2010）；第二个是基于直接拍摄的岩矿照片，对照片内的岩石类别进行识别（MARMO R et al,2005）。但这两种方法的研究对象都是常见的三大岩类或者常见的石英、长石等矿物，其次这些方法的目的都是对单纯对岩石矿物种类、分布进行标注，对于样品的研究价值评估仍需要人工参与。
砂岩型铀矿由于其广泛分布于我国北方各大产铀盆地，并且可采用地浸开采方法而方便且高效（田松林，2015），由于砂岩型铀矿床多隐伏于地下，对于砂岩型铀矿的勘探指标提取成为该类矿床勘测的重要研究内容。现阶段能够相对精确地分析砂岩型铀矿的方式主要有传统光学显微镜观察、X射线衍射实验（XRD）、TESCAN自动矿物分析系统（TIMA）等方式（Mitchell et al.,1960; Leonard et al.,1964）。但传统光学显微镜需要观察者具有足够多的观察经验并且肉眼的观察精度与速度具有很大的个体差异；XRD、TIMA虽然能够得到详尽的矿物组成与含量、颗粒形态大小等，但其昂贵的测试费用以及稀少的测试仪器数量让使用这个方法需要做较多前期准备工作以确保测试得到的数据具有足够的参考意义。所以，找到一种成本够低、周期够短的方式来评估样品的含矿性和研究价值，避免高成本的实验结果的浪费具有研究意义。
铀在砂岩型铀矿中的赋存形式主要有铀矿物与吸附铀两种形式（Robert et al.,1964）。铀矿物形式赋存的铀，其矿石里会存在石英、长石等伴生矿物（颗粒），吸附铀形式赋存的铀，其矿石中则会有更多的多孔隙的有很强吸附作用的矿物存在；并且在铀矿物的形成过程中会经历前期同生沉积与后期蚀变分带两个成矿期次，蚀变发育主要表现为岩石退化变质作用（李伟，2020），同时由于其放射性等诸多原因，会使得含有铀的岩石与不含铀的岩石之间存在一定矿物组分上的差异。矿物组分上的差异则会投射在其外观等物理性质差异上，而卷积神经网络又擅长于去层层剖析出二者图像之间的差异，因此可通过卷积神经网络的输入首先通过卷积层获取含铀矿石照片的局部特征，通过池化层筛选特征，然后将所有特征转换为一维特征向量，最终通过若干个全连接层完成分类。通过照片参数设定—训练—建模—测试—性能评估的交互验证法优选建模参数，达到对未知的矿石进行是否含铀的预测。
 

卷积神经网络,砂岩型铀矿,成矿标志