煤岩识别技术是实现开采、掘进智能化和无人化的关键技术之一。为提高煤岩图像识别技术的精度和效率，提出了一种基于塔式池化架构和卷积神经网络技术的煤岩图像分割识别网络模型（Coal-Rock Pyramid Network，CRPN）：（1）CRPN模型在图像编码部分采用了深度可分离卷积，使用了混合空洞卷积技术和嵌入全局注意力机制的残差卷积模块，在提高计算效率的同时扩大模型的感受野，并降低了全局无关特性对后续特征图的不利影响。CRPN模型在图像解码部分采用了基于空间塔式池化架构的计算框架，弱化了特征图内部不同区域之间关联信息的损失，显著增强了对全局信息的有效表征。（2）为保证模型训练的有效性，使用高感光度井下防爆相机对煤矿井下薄煤层采煤工作面原位煤岩图像进行了信息采集，包括完整状态、含有裂隙和阴影、暗光条件、暗光且有支护遮挡等四类典型条件下的煤岩分布图像。通过噪声添加、改变图像的特征和形态等数据预处理方法，建立了含有6400个有效样本的煤岩高清图像数据库。（3）提出了基于交叉熵损失函数和修正自适应矩估计的训练优化算法，兼顾了模型的训练效率和精度。（4）选择像素准确度和交并比指标对CRPN模型的识别效果进行评估，结果表明CRPN模型的两项指标平均值分别为96.05%和91.54%，优于U-net模型和Segnet模型等现有其它煤岩图像识别方法。CRPN模型单张图像计算时间平均值为0.037s，高于井下防爆摄像设备25fps的成像能力，具备现场应用部署条件。将CRPN模型部署在工作面现场获取的动态视频中进行测试，测试结果表明该模型在稳定和抖动条件下均取得了良好的煤岩识别效果，验证了该技术在复杂环境中的可行性、鲁棒性，能为智能化开采和掘进提供煤岩识别技术支撑。