鉴定矿石中矿物的种类,是工艺矿物学研究的基础;矿石粒度及含量的检测对选矿工艺流程的选择十分重要,具有重要的研究价值。然而,传统方法依靠人工对矿物进行鉴定及测量,效率低、主观性强、标准不易统一。针对上述问题,在已有机器学习和图像处理方法的基础上,搭建矿石检测模型,实现了矿物的自动识别分割及定量计算。研究主要内容如下:（1）针对矿物识别自动化程度低的问题,构建了矿物识别语义分割网络。采集350张矿物显微图像,采用数据增强策略扩充数据集。搭建四种矿石分割模型,通过迁移学习方法提升收敛速度,经过多次实验选择各网络的最优超参数,比较了各网络在矿物显微图像数据集上的表现。研究结果表明,UNet的m Io U最高达到87.1%,Deep Labv3+为87%。（2）针对网络参数量大、精度不高的问题,提出了结构优化的改进方法。研究了大核卷积的优化方法,将大核卷积引入UNet网络,提高模型的表达能力,设计了一种新型的LK-UNet模型。实验结果表明,LK-UNet的参数量仅为8.377×10~6,远远少于原始UNet,并且m Io U提升了1.85%,黄铜矿的Io U达到了93.1%。设计了一种改进的高效Deep Labv3+算法,在Deep Labv3+结构中增加了第二个跳跃连接获取细节信息,并在ASPP模块中引入了一种高效的多形态卷积模块。实验结果表明,改进的Deep Labv3+相较于原始的Deep Labv3+,m Io U提升了1.35%。将两个改进的网络对比分析,LK-UNet的m Io U比改进的Deep Labv3+高0.6%,图像分割效果也更好。（3）针对传统的定量检测方法过程复杂、耗时耗力的问题,提出了基于数字图像处理技术的粒度分布及含量检测方法。采用形态学操作设计了矿物颗粒计算流程,使用开运算解决了矿物颗粒黏连问题。通过矿物像素面积计算矿物含量,并研究了矿物含量分布与图片数量的关系。实验结果表明,通过图像处理对矿物进行量化统计的方法相对于人工统计方法,具有良好的优越性和可靠性。图59幅;表15个;参62篇。