制造业的快速发展对金属材料的需求日益增加,同时在质量方面也提出了更高的要求,因此金属材料性能检测技术就显得十分重要。传统金相分析方法效率低、工作强度大且受人为因素影响较大,并且,现有的计算机辅助金相组织分析系统仍存在着缺少分类、成分含量分析精度低等许多不足之处。本文以铸铁材料为研究对象,结合数字图像处理技术与机器学习算法对金相组织分析技术展开深入的研究。本文主要工作内容如下:（1）铸铁金相图像采集和预处理算法研究。根据相关标准制备铸铁金相试样,利用金相显微镜进行铸铁金相图像采集,对采集到的图像进行预处理,然后经过筛选、裁剪、设置标签等步骤,建立铸铁金相图像数据集。针对图像中含有噪声的问题,采用双边滤波算子在不影响图像边缘特征的同时去除噪声;针对图像中亮度不均匀的问题,采用限制对比度的自适应直方图均衡化方法予以解决,为后续图像分割和特征提取等研究提供有效的技术路径。（2）基于纹理特征和机器学习的铸铁金相组织自动分类识别技术研究。在特征提取方面,分别使用改进后的局部二值模式（C-LBP）和灰度共生矩阵（GLCM）提取铸铁金相图像的纹理特征,将提取到的不同特征进行串行融合,分析单一特征和融合特征对铸铁金相组织的识别效果。针对分类器的选择,对比不同核函数对支持向量机（SVM）泛化性能的影响,并使用灰狼优化算法（GWO）对SVM模型的参数进行优化,最后分析不同分类器对铸铁金相组织的识别效果,结果表明SVM模型的识别率可以达到99.17%,优于随机森林（RF）和极限学习机（ELM）。（3）铸铁金相图像分割和特征提取算法研究。提出一种基于混沌麻雀优化的KMeans聚类分割方法。用引入混沌序列的麻雀优化算法来优化K-Means的初始聚类中心,降低K-Means分割结果对初始聚类中心的依赖,Tent函数可以优化麻雀算法的搜索过程,能够更加快速准确的完成收敛。结果表明该算法的分割精度优于传统K-Means算法,平均运行时间为0.3674s,能够满足铸铁金相分析实时性的要求。对分割后的铸铁金相组织图像,采取形态学处理与连通域分析等操作,解决图像中噪声点的干扰问题,实现不同石墨区域的标号,计算出石墨的面积率、形状因子、最小外接矩形等特征参数,验证了基于数字图像处理的金相分析方法的精确性和可重复性。（4）铸铁金相分析软件设计。在本文研究的基础上,利用MATLAB软件中的App设计工具完成对铸铁金相分析软件界面的开发,实现铸铁金相组织分类识别、石墨颗粒特征参数提取以及利用提取的参数对铸铁试样进行评级等功能。软件评级结果与人工评级结果基本一致,但效率上更优,能够满足部分铸铁金相评级的需求。