Las imágenes de sección delgada representan una valiosa fuente de información para los estudios petrográficos aplicados. En este marco, se analiza un método de procesamiento computacional basado en redes neuronales artificiales para la obtención de información cualitativa y cuantitativa a partir de microfotografías de cortes de delgados en muestras areniscas. El método utilizado incluye dos arquitecturas principales de segmentación semántica, correspondientes a los modelos U-net y DeeplabV3+. El primero esta basado en redes neuronales totalmente convolucionales y una estructura de codificador-decodificador, mientras que el segundo incluye la convolución de Atrous, la agrupación de pirámide espacial y un módulo decodificador simple. Los modelos fueron entrenados con imágenes que incluyen por muestra un par de fotos con luz polarizada paralela y cruzada junto a una "máscara" que diferencia los píxeles correspondientes a cada clase. Las clases corresponden a los componentes principales de arenisca, incluyendo cuarzo, feldespatos, líticas y "de fondo" (incluyendo poro y cemento), y fueron diferenciadas a partir del proceso de segmentación semántica. El modelo entrenado resultante permitió el análisis de métricas evaluadas en muestras de prueba y comparar los resultados con la técnica estándar de conteo de puntos. El análisis indica que el método de procesamiento puede ser aplicado, brindando preliminarmente datos cualitativos y cuantitativos generales de la sección delgada en estudio. Además, el modelo puede mejorarse sustancialmente en función de su entrenamiento con datos nuevos y complementarios, y por lo tanto, refinar el método analítico.