图像的人工智能方法发展迅速，而矿物的精准高效识别对地质认识与油气勘探具有重要作用。黄铁矿作为页岩中最具代表性的重矿物之一，其微观特征识别对研究页岩沉积环境、微纳米孔隙结构具有重要意义。近年来，基于语义分割的扫描电镜图像分类研究取得了很大进展。为了实现黄铁矿在扫描电镜图像中的快速识别，本文提出了一套基于语义分割的黄铁矿扫描电镜图像识别方法，研发了相应软件。首先，增加均方误差策略，实现对SLIC分割算法的优化；通过增加WP损失函数等策略，实现HRNet模型高效率地识别图像中黄铁矿成分，缓解训练数据分布不均衡等问题；SLIC算法对图像数据集进行超像素分割后，利用改进的GD-HRNet神经网络模型识别图像中的黄铁矿，最终完成矿物的自动化识别。实验结果表明，改进后的GD-HRNet模型图像识别精度达到95.76%，可有效降低图像的不均衡性。基于以上方法，本文对龙马溪组黄铁矿的发育形态和粒径分布进行定量化表征，研究发现龙马溪组页岩主要发育多种形态的黄铁矿，包括莓球状黄铁矿集合体、方形（规则）黄铁矿集合体、无定形黄铁矿和有机体黄铁矿四种类型，其中草莓状黄铁矿最为发育，均值为2.4μm~12.4μm，并自上而下随深度而减小；表明龙马溪组地层主要沉积在缺氧条件下的深水陆棚环境。利用人工智能的识别方法极大地提高了页岩气有利区的勘探精度与速度。