随着汽车保有量的急剧增加,汽车工业对节能减排、减少环境污染的要求越来越高,高强钢的热冲压技术在汽车的结构件和安全件制造中的应用日益广泛。高强钢可以通过热冲压获得不同的组织定制零件的力学性能,可能得到的组织包括全部马氏体、铁素体/珠光体、马氏体/残余奥氏体、马氏体/贝氏体等。相关研究中,需要对材料显微组织进行识别,从而分析工艺过程,但该过程需要由专业人士完成,故存在效率低下、人员的主观性影响较大且专业人员数量有限等弊端。因此,需要研究材料显微组织的自动识别技术。针对上述高强钢热冲压获得四类组织的识别与分类问题,本文从纹理特征提取、机器学习方法分类和卷积神经网络等方向展开研究,提出了两种分类方法:(1)通过灰度共生矩阵提取显微图像的纹理特征,形成纹理特征向量,并对特征向量的表征效果进行了可视化。之后采用SVM、kNN、RF等机器学习方法在数据集上进行训练,得到分类模型,对比分析了各个模型的分类效果;(2)采用迁移学习的思想,对深度学习网络进行迁移与改进,构建了适用于显微组织识别的深度卷积神经网络模型,探究并确定了网络训练中的超参数,最后分析了深度网络模型对材料显微组织的识别效果,并与机器学习方法的效果做了比较。通过实验验证,本文提出的两种高强钢显微组织识别方法准确度较高,有良好的分类效果。主要结论如下:(1)基于GLCM的图像特征向量能够较好的表征高强钢显微组织图像的纹理特征,基本能够区分本文研究的四类显微组织;(2)基于GLCM特征向量的机器学习分类方法中,SVM的分类精度最高,达到95.50%;且SVM对于四类组织的识别率均在90%以上;(3)改进的深度卷积神经网络的图像识别模型中,参与训练的卷积层数越多,分类精度越低;当参与训练的卷积层数为0时,分类精度最高,为96.25%,超过GLCM+SVM方法。