为了实现煤裂隙多尺度分布特征的高精度，高效率识别，开展基于CT数字岩心深度学习的煤裂隙多尺度分布特性识别方法研究。利用工业CT扫描系统收集大量煤原始CT数字岩心信息阵列，将CT数字岩心信息阵列低损转换成二维灰度图像，再分割成不同尺度的正方形图像并将其图像亮度增强为不同级别作为训练样本，然后通过MATLAB平台实现了用于含CT裂隙图像识别的AlexNet、ResNet-18、GoogLeNet、Inception-V3四种模型的构建与模型参数的优化。研究在不同数量训练样本下不同模型训练的识别准确率与验证准确率；研究在相同训练样本下不同模型对于不同尺度和亮度图像的准确率、计算效率和训练时间，获得适用于计算含裂隙的二维CT图像的分形维数的最优模型，再按照盒计维数的统计方法，计算每张裂隙图像的分形分布特性，并与传统二值化方法和人眼识别方法相对比，验证了基于CT数字岩心深度学习的煤裂隙多尺度分布特性识别方法的适用性，结果表明：（1）ResNet-18模型在图片样本为亮度4，尺度为3.5 mm到21 mm时是适用于计算含裂隙的二维CT图像的分形维数的最优模型，该模型计算二维CT裂隙图像的分形维数精度高，且训练时间短。（2）基于CT数字岩心深度学习的煤裂隙多尺度识别方法与传统二值化方法相比，识别连通性裂隙的速度快、精度高、不易受煤中杂质的影响。