金属材料的应用十分广泛,其质量对实际工程应用具有重大影响。金相检验是通过检测钢铁材料劣化情况来评估钢材质量的重要手段,在对金相显微组织进行分析的过程中,准确的评定钢材金相晶粒度等级是最为关键的任务。传统采用人工对金相的晶粒度等级进行评定的方法存在效率低、易受人员经验影响及结果不具有重复性等缺点。基于数字图像处理的晶界识别方法只能识别出较为清晰金相图像中的简单晶界,对于存在干扰的复杂晶界应用效果较差。本文结合深度学习与数字图像处理相关方法,围绕钢材的金相图像晶粒度评级方法展开研究,能有效的提升金相检验的效率,具有重要的理论意义和工程价值,主要研究的内容及取得的成果如下:（1）针对于待测钢材样件晶粒度等级评估需求,本文依据相关国家标准先对待测样件进行金相制样,然后在高倍显微镜下采集样件的金相图像,再对金相图像进行预处理操作并手工绘制晶界标签,最后对金相图像及晶界标签图像进行有重叠的裁剪得到金相图像数据集。（2）分别采用FCN、U-Net系列卷积神经网络及Pix2pix生成对抗网络对金相图像数据集进行训练和验证,设置相应的对比试验。针对实验结果及本文的金相数据集,设计了改进的轻量型U-Net网络框架。实验结果表明,在本金相图像数据集上对晶粒的分割像素准确率达93.91%、类别像素准确率达88.27%、Dice系数为71.04%,实际的分割效果较好,满足对金相图像晶粒的快速准确分割要求。（3）针对由卷积神经网络分割出的晶界存在断点的现象,本文结合数字图像处理中邻域像素查找法及形态学运算等操作,提出了对晶界分割结果的后处理优化流程,最后采用国家标准中面积法和截点法相关规定来预测待测样件的金相图像晶粒度等级。（4）最后,为了方便从业人员的操作使用,将上述图像的预处理、晶界的分割、晶粒度等级的评定、晶粒度评级报告的生成等功能进行集成,基于Python语言及Py Qt框架设计出了金相晶粒度等级评定系统,操作方便快捷,提高了检验人员的工作效率。本研究成果为深度学习在金相检验领域的应用提供了参考和借鉴。