金属合金的成分和微观组织可以决定金属的性能,在合金材料生产过程中,金相分析是必不可少的阶段。本文以半连续铸造铝硅合金图像为对象,结合图像处理、机器学习以及深度学习先进理论,对金相图像分析方法进行深入研究,实现了对半连续铸造Al-12.7Si-0.7Mg合金图像微观组织的准确分割及分析,具体研究内容如下:（1）综述了国内外金相分析方法的研究现状。分析了从传统的金相图像分析技术到基于图像处理技术的金相分析方法,再到金相图像分析系统的不足,总结了半连续铸造铝硅合金图像中不同微观组织的结构特点及成因,介绍了针对半连续铸造铝硅合金图像的金相分析方法的理论基础。（2）提出了基于V-MOB网络的半连续铸造铝硅合金图像微观组织评估方法。该方法结合VGG-16的传统卷积层和MobileNetv1的深度可分离卷积层,搭建了改进的V-MOB分类网络,实现了半连续铸造铝硅合金微观组织的准确评估。为了验证方法的有效性,构建了半连续铸造铝硅合金图像分类数据集。大量实验结果表明V-MOB网络分类准确率达85.2%,与现有分类网络模型相比,保证分类准确率的同时还提高了模型的训练速度。（3）将传统阈值分割方法与Faster-RCNN深度学习方法相结合,提出了新的半连续铸造铝硅合金图像缺陷去除方法。该方法首先采用Faster-RCNN检测出半连续铸造铝硅合金图像中的缺陷,然后对所检测的缺陷区域进行阈值分割,实现了对半连续铸造铝硅合金图像的预处理,减小了缺陷对金相分析的干扰。为了验证方法的有效性,构建了半连续铸造铝硅合金缺陷检测数据集。大量实验结果表明该方法可以实现对半连续铸造铝硅合金图像缺陷的准确检测与去除。（4）提出了基于K-means和形态学方法的半连续铸造铝硅合金图像微观组织的分割及后处理方法,得到了分割后微观组织的统计信息。该方法采用K-means聚类方法对微观组织进行分割,采用Canny算子边缘检测和形态学方法对分割后的结果图像进行后处理,最后采用区域生长方法统计分割后的微观组织图像信息。大量实验结果表明该方法可以实现半连续铸造铝硅合金图像微观组织的准确分割与分析。