为了提高煤岩壳质组显微组分的识别准确率，避免分类器构建中特征提取阶段的人工干预，采用深度学习的方法实现煤岩壳质组显微组分类别的自动识别。由于煤岩壳质组样本数往往有限，采用传统的卷积神经网络构建分类器对其识别容易产生过拟合，导致泛化能力较差。为了解决这一问题，提出了一种基于迁移学习的煤岩壳质组显微组分识别模型（分类器）。该模型在传统的卷积神经网络模型基础上，通过迁移学习共享预训练网络模型中卷积层和池化层的权值系数，并结合煤岩壳质组显微图像样本，优化网络模型结构和全连接层参数，进而构建适合于煤岩壳质组显微组分识别的深度学习网络模型。实验结果表明：与由传统神经网络直接构成的深度学习模型相比，构建的基于迁移学习的煤岩壳质组识别模型性能和效果均明显提高，尤其是以VGG16作为预训练模型构建的分类器在目标数据集上性能表现最优，其对测试样本识别准确率可达98.10%；由于模型的训练参数减少，模型的训练时间明显缩短，且在较短的训练周期内达到收敛且训练集的识别准确率保持稳定，表明了以VGG16作为预训练模型的分类器在煤岩壳质组识别中具备较好的性能，更适合于小样本数据集的识别。此方法可推广至同样为小样本的煤岩其他类别显微组分的分类与识别中。