激光熔覆是先进的表面改性技术,在对激光熔覆实验试样的处理中,对熔覆试样的图像中的裂纹缺陷、形貌几何参数等关键指标参数进行准确识别与分割直接影响了对相应加工工艺的评估。在传统的图像识别算法中,熔覆层裂纹缺陷与重要几何特征的准确识别主要依靠裂纹或熔覆层与其周围像素的明显边界特征,但这种边界特征的提取受局限较大,比如图像的明暗程度、随机噪声影响、不同组织的形态变化均能影响到对边界特征的提取。人工标注主要依据人眼观察在辅助标记软件中标注缺陷及尺寸等,激光熔覆裂纹与形貌参数受标注者的主观因素影响较大,大量的试样标注对标注者的知识水平与体力要求较高。为解决在激光熔覆后处理过程中人工标注与传统算法标注均难以实现大批量准确标注图像裂纹缺陷与形貌特征的问题,本文依托深度学习算法在图像识别与分割中依据不同深度网络的信息综合提取图像边界信息的优势,改造了不同网络结构分别应用于对裂纹与形貌参数的识别。将对应激光熔覆形貌特征的多个参数在神经网络输出的图上迭代并求取,且将激光熔覆中的人工感受评价量进行了参数化表征。为增加激光熔覆裂纹识别精度,使用对于裂纹图像特征像素具有空间和通道信息整合的串联注意力机制模型（CBAM）改进U-Net特征提取过程从而提升对激光熔覆裂纹的识别精度,实验证明添加了注意力模型使U-Net对裂纹识别的像素准确率提升2.7%达到79.8%且识别速度为44fps;为得到激光熔覆图像中的熔覆层高度、宽度、深度和浸润角等参数,采用在识别图像像素特征前限定了标注范围在bounding box内的MaskRCNN神经网络,实验对比表明:针对未熔性粉末等复杂边界,增加bounding box训练权重使Mask-RCNN更准确识别到模糊边界的特征。改进后的Mask-RCNN网络识别熔覆层尺寸特征的准确率达93.7%,优于直接对像素进行标注的U-Net网络,且其标注范围的限定可使网络分割图像的误差对熔覆截面尺寸参数影响更小;基于图像分类网络VGG16结构启发提出SSVGG网络,用于对单道熔覆层截面不规则圆弧特征、多道搭接激光熔覆的表面平整度特征、大面积搭接的表面后处理难度系数特征进行了识别。SSVGG网络提取单道熔覆形貌准确率为93.89%,提取多道搭接形貌的准确率为90.36%,神经网络输出的熔覆层圆弧度可参数化地表示单道激光熔覆轮廓成形质量,输出的表面平整度和后处理难度系数可表征多道搭接激光熔覆的成形质量与后续处理加工信息。