共晶碳化物分布的不均匀性是反映高合金工具钢材质量的重要指标之一。至今国内外仍主要采用人工对比的方法进行评级。不少学者仍然在探索新的思路和途径,试图找到一个非常有效的描述方法来自动分析共晶碳化物图片。但至今还没有一个特别有效的方法能取得令人满意的性能。本文研究共晶碳化物的分类识别,用纹理特征训练神经网络的方法来识别图像,使共晶碳化物的分级从人工观察、定性分析进步到自动、定量分析阶段。图像特征是用来区分图像内部最基本属性或特征的。它包括了几何特征、形状特征、颜色特征、纹理特征等。本文从共晶碳化物的图像特征出发,根据其图像灰度分布均匀程度、复杂程度、局部变化情况及纹理的方向性。采用基于灰度共生矩阵的纹理特征提取方法,提取描述共晶碳化物特征的纹理参数。以六套共晶碳化物标准评级图片的256位灰度图为研究对象,讨论了适合本研究对象的灰度共生矩阵的建立和特征参数的选取。研究发现不同生长步长D值的选取对计算量和图片的可分性非常重要。本文能过多次实验,构造了适合六套共晶碳化物标准评级图的纹理的灰度共生矩阵,研究结果表明,纹理是图像分析中一个非常重要的特征,所提取的图像特征是描述图像相当有效的参数。本文还研究了采用分类器设计算法实现共晶碳化物自动分类。采用目前应用最广泛的神经网络之一的BP神经网络,针对高合金工具钢共晶碳化物的纹理特征,结合BP神经网络的特性,构建了一个适合该类图片的基于BP网络的共晶碳化物测评模型。本文对样本的选取、网络的训练,隐含层的确定等作了较为详细的研究。采用动量法,提高了分类器的精度和训练速度;调整网络结构改进了分类器的泛化能力。本文对每套评级图分别做了检测。实验表明,使用改进的BP神经网络分类器对共晶碳化物图像进行分类可以达到很好的效果,单套图片识别最高准确率达到92.85%。