图像分割已经应用于各个领域,在材料学中扫描电子显微镜（Scanning Electron Microscope,SEM）图像对于研究材料形态、分布和性能具有重要作用。材料的SEM图像是材料与背景分离的边缘分量由具有高灰度值的像素组成,这些边缘分量像素的灰度值并不均匀和清晰,不足以将其对象与背景分离开来。特别是碳纤维材料的SEM图像形状多样,有直线、矩形、圆、椭圆等各种形状不同的“岛”,无法使用预定义的图案形状进行分割,这给碳纤维材料性能研究带来了困难。为此,本文提出SEM图像的分割技术,自动识别碳纤维形状和分布,用于检测碳纤维材料的电性能。主要研究工作如下:（1）针对碳纤维复合材料在SEM图像下形态多样、前景与背景融合度高、碳纤维信息提取难度大的问题,设计了密集连接结构和群组归一化结合的特征提取网络（DenseNet-50）,代替了传统的Mask R-CNN的特征提取网络。通过引入密集连接结构,在ResNet的基础上重新设计了网络结构,解决了传统Mask R-CNN网络各层特征利用率低的问题,并引入群组归一化减少了小批量网络造成的误差,提升了小批量网络的性能,从而提高了特征提取的效果和分割精度。将该网络结构应用于碳纤维SEM图像的分割。对比实验结果表明,DenseNet-50替换Mask R-CNN中的特征提取网络,图像分割的平均精确度、交并比分别为81.5%、87.2%,比原Mask R-CNN网络在碳纤维SEM数据集上拥有更好的分割准确性。（2）为了改善粘连碳纤维漏检问题,进一步提升分割效果,研究了一种改进的Mask R-CNN网络（Soft-Mask R-CNN）。将压缩和激励网络与残差网络相结合获得一种改进的残差网络SE-ResNet（Squeeze and Excitation Residua Network）,使通道特征进行融合,提高了碳纤维SEM图像边缘特征提取效果;采用群组归一化替代批量归一化,提升小批量网络的性能;利用改进的软化非极大抑制（Soft Non-Maximum Suppression,Soft-NMS）进行筛选,提高对粘连目标的检测效果。实验表明,Soft-Mask R-CNN与Mask R-CNN相比,能有效提高对碳纤维SEM图像的分割准确率和碳纤维区域边界的分割精度,图像分割的平均精确度、交并比分别为87.2%、90.6%,具有较好的泛化能力和较高的精确度,可为碳纤维复合材料的性能参数研究提供可靠指导。（3）为了评估碳纤维复合材料的电性能,通过SEM图像研究碳纤维复合材料中碳纤维的形态和分布,采用Soft-Mask R-CNN对碳纤维复合材料的SEM图像自动分割。通过对已有图像的预处理,生成3246张训练数据集;使用SE-ResNet-50进行碳纤维图像的特征图像提取,采用改进的Soft-NMS.方法来实现碳纤维图像重叠区域的筛选,从而实现整个碳纤维复合材料SEM图像的自动分割,得到碳纤维的分布情况,并将结果用于电性能的评估。实验结果表明,对不同倍数的SEM图像均有稳定的分割结果,碳纤维分布图像边缘清晰。评估方法能够满足碳纤维复合材料电性能研究的需要,可为碳纤维复合材料性能预测提供指导。通过与其他算法的性能评估和分析,证明本文改进的Mask R-CNN可以有效提高碳纤维SEM图像分割精度,将所得到的分割图像进行碳纤维分布评估,评估结果与实际分布相符。评估结果显示单个碳纤维占比越高,碳纤维复合材料的导电性越好,可作为研究碳纤维复合材料性能提供理论指导。