钢铁是现代化建设中必不可少的材料,而通过金相组织分析可以对生产的钢铁质量进行评估,如何高效准确的进行钢铁金相组织分析在钢铁生产中至关重要。同时,近年来随着深度学习算法理论的不断积累以及计算机硬件的更新迭代,有了更强劲的计算性能的支持,使得越来越多得深度学习算法开始走进人们的日常生活。本文主要内容是将深度学习分割算法高效的应用到金相图像的分析中,具体研究内容如下。（1）针对钢铁金相组织中的小尺寸的金相组织结构进行较为精准分割问题的研究,本文提出了基于RefineNet模型在模型的特征提取阶段进行多路径增强的方法,该结构主要包含三个主要单元,分别为卷积残差单元,多分辨率融合单元,以及链式残差池化单元,同时,参考SENet引入了通道注意力机制,并基于改进的SENet即SKNet再次引入了多尺寸通道注意力机制,使模型重点关注特征图中包含信息量大的通道,同时,充分挖掘不同尺寸特征图上的信息,可以使分割模型的特征提取阶段可以更好的捕捉金相组织结构的细节信息。（2）本文通过观察采集到的钢铁金相组织的外形特征,针对不同种类金相组织之间不易进行识别区分,提高模型针对不同钢铁金相组织的区分能力,本文在前文模型的基础上采用两种方法进行改进,首先,是借鉴Inception模型的思想,对前文的模型增加多等级多尺寸信息并进行实验,其次,是针对常规卷积结构进行分析,借鉴可变形卷积的思想,改进模型从而增强对钢铁金相组织外形特征信息的捕捉。（3）本文在进行黑色金属金相组织分割实验的过程中,一些预测结果图片中会出现某一类别的组织中存在另一种类金相组织的现象,分割任务上称此现象为“棋盘问题”,该问题主要发生在分割模型中的解码阶段。在前文多路增强方法的基础上进行进一步的改进,本文尝试两种方式,首先是在模型的解码阶段进行常规的插值上采样加卷积的过程进行实验验证,其次是针对常规反卷积进行改进,引入像素级反卷积结构,从而消除分割程中的“棋盘”现象。（4）在实际生产生活中,需要考虑模型的推理效率及内存占用等重要因素。目前,针对钢铁金相组织分割的模型可以以较高的准确率对金相组织进行分割,但其速度仍无法满足实时的要求,因此,本文结合模型压缩方法,对已有模型进行剪枝量化,使在有效的计算资源及内存条件下,可以进行高效的模型推理,使其满足金相组织进行实时分割的需求。