Para mejorar la capacidad de representar información de características rocosas y finalmente mejorar el rendimiento de identificación de rocas de las redes neuronales convolucionales (CNN), se propuso un nuevo modo de agrupación en este documento. Según si el objeto de agrupación era la última capa de convolución, se dividieron las capas de agrupación en la capa de agrupación de muestreo y la capa de agrupación de clasificación. Se utilizó el método de agrupación adaptativa en la capa de agrupación de muestreo. Se diseñaron núcleos de agrupación adaptativamente ajustados para cada mapa de características. La capa de agrupación de clasificación utilizó el método de agrupación de segundo orden. Se extrajo información de características de segundo orden basada en productos externos de los pares de características. Se dedujo el proceso de cambio de los dos métodos en la propagación hacia adelante y hacia atrás. Luego, se incorporaron en CNN para construir un modelo de identificación de imágenes de sección delgada de roca (ASOPCNN). El experimento se realizó en el conjunto de imágenes que contenía 5998 imágenes de secciones delgadas de roca de seis tipos de rocas. Se establecieron modelos de CNN utilizando agrupación máxima, agrupación promedio y agrupación estocástica para comparación. En los resultados, el ASOPCNN tiene la mayor precisión de identificación del 89.08% en el conjunto de pruebas. Sus índices son superiores a los de los otros tres modelos en precisión, recuperación, puntuación F1 y valores de AUC. Los resultados revelan que los métodos de agrupación adaptativa y de segundo orden son más adecuados para el modelo de CNN, y CNN basados en ellos podrían ser un modelo confiable para la identificación de rocas.