Актуальность. Исследования керна в нефтегазовой отрасли позволяют получить некоторые фильтрационно-емкостные характеристики горных пород, а также дать представление о самом составе и строении недр. Данная информация крайне важна на первых этапах разработки месторождений, так как позволяет сформировать первичный вариант проекта разработки, который далее уточняется по ходу разбуривания месторождения. Однако выполнение анализа керна и его описание является крайне трудоемкой и подверженной влиянию человеческого фактора работой, требующей автоматизации. Таким образом, исследование изображений керна – востребованная задача в нефтегазовой отрасли, которая требует высокой точности и внимательности в ходе работы; особенно учитывая объем изображений, который приходится анализировать. Целью данной работы является обзор и анализ существующих алгоритмов классификации пород по изображениям керна на основе методов машинного обучения, а также использование полученной информации для формирования рекомендаций для развития данных алгоритмов. Методы: методы машинного обучения, в том числе нейронные сети. Результаты. Проведен анализ существующих подходов к исследованию образцов керна. Были отмечены основные преимущества и недостатки каждого из них, и на основании сделанных выводов разработан план и требования к проведению дальнейшего исследования образцов керна средствами машинного обучения. С применением сверточной нейронной сети на архитектуре U-Net была обучена модель для решения задачи сегментации образцов керна на дневных изображениях; приведены результаты работы модели.