人工神经网络是是计算机应用领域中常使用的一种模型,其灵感来源于生物神经网络和大脑的结构及功能,卷积神经网络属于其中一种,因其适应性强、泛化性能好等优点成为了目前机器学习领域的一个研究热点。随着国家“海洋强国”战略的快速推进,对船舶主体材料B10铜镍合金在海水环境服役的过程中因容易发生腐蚀从而严重制约了其使用寿命的问题关注程度越来越高。材料的性能与其微观结构息息相关,为了更好的设计和更精确的控制晶界的结构,必不可少的需要对晶界微观结构进行更加详细可靠的分析。本文针对B10铜镍合金微观结构图像分析模型数量不足、提取特征单一的缺陷提出了基于图像分析的晶界连通性模型,并以此模型为指导,提出了基于优化卷积神经网络的B10铜镍合金抗腐蚀性能预测模型,同时针对传统神经网络的卷积操作计算量较大、池化操作特征丢失较多以及高层特征表现力不够的问题提出了三种改进策略。主要进行的工作有:(1)提出基于图像分析的B10铜镍合金耐蚀性预测模型。通过对晶界图像中晶界信息的分析和计算,采用连通频以及晶间夹角两种关键属性建立了晶界连通性的量化模型,为了得到两种属性的详细分布信息,依次给出了晶界细化、交点提取和分类、界角计算三种算法,并用实验确立了两种属性各自在连通模型中所占权重。为了验证模型的预测效果,将建立的晶界连通模型进行的抗腐蚀性能预测与物理实验的结果相互进行验证,并根据模型计算出可用于卷积神经网络训练的晶界图像的最小尺寸。(2)提出基于优化卷积神经网络的B10铜镍合金抗腐蚀性预测模型。给出了针对晶界图像特性的卷积神经网络体系结构,通过对传统卷积操作过程的分析提出分步卷积操作并从理论和实验上证明该操作能够降低额外参数的消耗;通过提出的学习型单通道池化操作降低特征信息的丢失;通过提出的多层特征融合学习策略使得特征表现力的多元化,提高了模型的预测准确率。为了验证模型的适用性和准确率,通过三个控制变量实验对改进操作效果进行测试和对比,通过另外两个与传统卷积神经网络模型的对比实验来验证改进模型在对公开数据集上的图像分类效果和对晶界抗腐蚀性能预测能力的准确性。