随着全球工业信息化与智能化的不断发展,智能机器设备逐渐替代人工生产,使得机械设备的可靠性和服役寿命面临巨大挑战,促使设备故障诊断与健康管理技术面临更高需求。其中,以摩擦副磨损的直接产物—磨粒作为研究对象的铁谱分析技术可获取宏观磨损量和微观磨损机理信息,为机械设备磨损状态分析提供重要依据,已经成为重大机械设备健康状态监测的重要手段。本文针对铁谱图像分割和磨粒识别方法存在周期性长、效率低等问题,提出基于混合卷积神经网络的铁谱图像目标磨粒检测与识别方法,为铁谱分析技术提供新的技术手段,具有重要的学术价值和实际工程意义。主要研究内容包括:（1）研究铁谱图像采集过程与成像原理,分析不同磨损粒类型的成因与其显著特征。根据不同机械设备磨损阶段和不同磨损机理下产生的磨粒类型,建立磨粒类型与磨损机理之间的映射关系。（2）针对铁谱图像目标磨粒分割问题,研究基于卷积神经网络的目标磨粒检测算法。通过卷积神经网络提取铁谱图像的深度特征信息,利用随机梯度下降法更新检测模型的学习参数,并采用回归方式实现铁谱图像目标磨粒的位置检测,从而实现目标磨粒分割。（3）研究融合支持向量机与迁移学习的混合卷积神经网络磨损颗粒识别方法,通过迁移学习获取现有卷积神经网络模型的训练参数作为磨粒识别模型的初始化参数,同时利用支持向量机建立磨粒类型分类器,减少识别模型对样本数量的依赖性。采用t-随机分布嵌入式算法（t-SNE）将高维深度特征进行降维可视化,分析深度特征的可分性以及特征相似性对识别的影响。结果表明,磨粒识别准确度达到95.15%,每张磨粒图像的运算时间为2.8ms,满足图像实时性分析的需求。（4）为建立铁谱图像目标磨粒识别的自动化与集成化模型,研究了混合卷积神经网络算法,集成了磨粒的检测和识别两层网络,建立了以铁谱图像作为输入,磨粒类型作为输出的集成化分析模型（WP-DRnet）,实现了疲劳、严重滑动、切削和球状磨粒的自动化检测与识别。此外,通过实验分析WP-DRnet模型的鲁棒性、检测识别性能以及泛化能力。本文研究了基于混合卷积神经网络的铁谱图像目标磨粒检测与识别方法,实现了对原始铁谱图像中目标磨粒的检测与识别,为铁谱分析技术的自动化与智能化识别提供新方法,为机械设备健康状态监测和故障诊断提供新的技术手段。