随着我国动车组行业进入一个大提速、大承载的时代,动车组安全运行问题日益受到社会的广泛关注。动车组牵引齿轮作为机车传动系统中的重要零部件,其渗碳表面质量优劣直接影响动车运行时的安全性。内氧化作为渗碳齿轮表面质量检测的重要考核指标,目前主要通过人工完成评级,而且现有评级标准只参考内氧化的最大深度,缺乏对形状、尺寸和轮廓特征等因素的考虑。因此,本论文以内氧化SEM图像为研究对象,基于深度学习和机器学习实现内氧化SEM图像的分割与分类,并建立了内氧化的综合评价体系,开发了一套渗碳齿轮内氧化定量分析系统,使内氧化评级更加全面高效,为渗碳齿轮表面质量自动化检测奠定基础。具体研究内容和结果如下:（1）为了实现内氧化SEM图像降噪,从空间域、频域和扩散理论三个方面展开研究,并提出了一种改进的各向异性扩散滤波算法用于内氧化SEM图像降噪。实验表明,改进的各向异性扩散滤波算法在内氧化SEM图像降噪方面具有优越性。然后构建内氧化图像数据库,为内氧化组织分割模型与分类模型的训练奠定基础。（2）为了实现内氧化SEM图像的分割,从阈值分割、形态学分割和纹理分割三种传统分割算法展开研究。根据内氧化SEM图像的灰度分布特性,使用最大熵阈值分割算法实现内氧化组织分割;根据SEM图像中内氧化组织的形态特征,提出了一种基于形态学的内氧化组织分割算法;根据内氧化SEM图像纹理特征,使用Gabor纹理特征与K-Means算法实现内氧化组织分割。实验表明,传统分割算法在无干扰的内氧化SEM图像分割任务中表现良好,但是难以胜任背景复杂的内氧化SEM图像分割任务。（3）为了实现背景复杂的内氧化SEM图像准确分割,提出了一种基于残差模块和注意力机制的内氧化组织分割网络（CBAM-Res UNet）。该模型以U-Net网络为主体架构,在主干特征提取网络中加入残差模块,并将CBAM注意力机制引入跳跃连接。为了解决内氧化SEM图像中前景与背景占比不均的问题,本文将Focal损失和Dice损失线性组合成新的损失函数。实验表明,内氧化组织分割网络的平均像素精度（MPA）为93.03%,平均交并比（MIo U）为85.67%,优于其他常用网络模型。（4）为了实现内氧化SEM图像的分类,提出了一种基于异类特征融合的内氧化SEM图像分类算法。首先利用灰度共生矩阵（GLCM）和局部二值模式（LBP）提取内氧化SEM图像的纹理特征;然后分析晶界氧化物和晶内氧化物的形态差异,选取内氧化组织的形态特征;最后融合异类特征并利用主成分分析（PCA）降低特征维度,通过粒子群优化的支持向量机（PSO-SVM）对内氧化SEM图像分类,实验中准确率达95.83%。此外,针对传统内氧化评级方法过于笼统,评价指标单一,评级效率低的问题。基于模糊数学建立了内氧化的综合评价体系,并根据渗碳齿轮实际生产过程中金相检测需求,开发了一套渗碳齿轮内氧化定量分析系统,实现更加全面高效的内氧化自动评级。