为了研究材料微观结构与宏观性能之间的关系,材料学专家们需要对电镜图片上微观组织(如缺陷、马氏体、α集束)的数量、大小等信息进行统计分析。本文研究材料微观图像中的缺陷统计问题,缺陷主要包括滞留气泡、未熔合物。目前缺陷统计都是人工完成,一般一组材料的电镜图片将花费1-2天的时间,而且极易出错。而采用人工智能代替人工完成这一任务可以在几分钟内获得精确的统计数据,这对解放专家和提高精度都十分有意义。与统计稠密交叉运动的细胞不同,材料微观图像中的缺陷通常较为稀疏,且数量并不多,本文针对其稀疏性提出新的基于目标检测的材料微观缺陷统计方法,而非采用微观图像中常用的基于密度图估计的统计方法。材料微观缺陷通常相对较小且尺度跨度较大、形状不规则,前景与背景比例严重不平衡,这些特点提高了缺陷检测的难度,必须一一解决或缓解这些问题。本文首先以Faster R-CNN为基础,并针对小目标问题和多尺度问题在模型设计中引入空洞卷积、特征金字塔模型,针对形状不规则问题在模型设计中引入可变形卷积,针对前景与背景比例失衡引入焦点损失函数,使得新模型效果从0.460提升至0.539。同时,因为缺陷作为材料微观图像中的异类本就相对较少,所以数据量小带来的过拟合问题成为了构建和训练表现良好、稳定的材料微观缺陷检测模型的另一挑战。本文采用迁移学习和自动化数据增强解决过拟合问题,增强模型泛化能力。其中,自动化数据增强方法将搜索出适用于材料微观图像的数据增强策略。在改进模型的基础上,本文通过上述训练策略的改进,使得最终模型的平均精准率达到0.552,实验表明上述新方法是有效的。