晶粒度是钢材性能的一个重要评判标准,在微观角度,钢材表面晶粒呈现类似于细胞组织切片的颗粒状分布图像,晶粒的面积、长度、以及单位面积内晶粒个数等特征都影响着钢材的强度、塑性和韧性等性质,而这些晶粒特征在金相检测中通过不同金相等级来反映。目前对于金相等级的评定,最常用的方法还是通过人工依靠经验评定,人工判定金相等级很大程度上取决于工人素质,不确定程度较大。本论文在数字图像处理以及深度学习技术的基础上,研究钢材金相图像晶界分割和自动评级方法,并且以这些相关研究理论为基础开发了跨平台的智能评级软件,为将来可产业化的智能化金相分析仪研发奠定了基础。本文主要工作如下:1)金相图像的获取及数据集的建立。按照国家标准《金属显微组织检验方法》进行对金相试样的制备。再对图像进行灰度化处理和滤波处理实现去噪、直方图均衡化增强图像对比度。在前期人工标注完成标签图像,后续对数据进行分割和增强来扩充数据集。随后制作成适用于深度学习的完整数据集。2)金相图像晶界分割算法研究。对常用的晶界分割算法进行阐述。并对这些算法在金相组织图像中的实际效果进行了实验和分析。对各个算法在金相图像中的优点、缺点进行探讨,为后续改进、开发适合于金相组织图像的晶界分割算法做铺垫。3)金相图像评级算法研究。评级算法分为两大类:基于传统的图像评级方法和基于深度学习的图像评级方法。在基于深度学习的图像评级方法:（1）改进的FCN网络是一种卷积型渐进上采样FCN语义分割方法。对网络中的激活函数和上采样的过程进行了一些改良。（2）改进的U-Net一种采用动态的融合方法:在高阶特征图中,选择融合策略,以达到增加更多的特征通道的目的。在低阶的特征图内,选择逻辑加运算策略,可以更好的保留特征信息。对金相晶粒度评级有一定的提升效果。4)金相图像评级系统实现。本文研究并开发了一套基于深度学习的金相晶粒度智能评级软件系统,实现了对金相图像晶粒度的自动检测、分割、评级。本系统中采用改进的深度学习语义分割的U-Net网络对金相图像中的晶粒边界进行像素级分割,最终实现了晶界识别97.86%的准确度。