近几年钙钛矿材料在太阳能电池、发光二极管和探测器等器件上的应用得到了快速发展。钙钛矿器件的性能可以通过材料薄膜结晶性的提高和形貌的优化来提升。然而材料晶界（晶体内部晶粒之间的接触界面）的存在是降低器件的性能的一个重要因素。因此,如何有效地检测其晶界缺陷是提高钙钛矿器件性能的一个关键问题。传统的工艺材料生产环节中,更多采用的是人工手段检测缺陷,这种传统检测缺陷的方法存在许多缺点,包括工作人员高昂的薪酬,检测速度较慢,检测准确率不高,工作人员的个体差异使得检测结果产生主观性等等。为了克服人工手段的不足,本文基于实验室合成的钙钛矿晶体材料,采用机器学习算法,对如何提高材料表面晶界识别率进行了研究,提出了三种晶界检测算法:利用传统图像特征提取和SVM相结合的方法、基于VGG₁6经典卷积神经网络的方法和改进的卷积神经网络模型的方法。其识别结果如下:（1）传统图像特征提取主要包括LBP局部纹理特征提取、HSV颜色模型及Texton纹理特征提取。原始图像进行预处理之后,通过SVM模型算法应用于图像特征识别,由于需要人工进行特征提取,所以对材料特征要求比较苛刻。实验结果表明,传统图像特征提取与SVM相结合的方法晶界识别率为74.86%。（2）为提高识别的准确率以及不做过多的预处理工作,本文设计了基于深度学习的VGG₁6模型对图像进行特征分类训练,通过提供大量的数据样本集,并且不断优化核心参数,最终训练好的模型识别率达到89.77%。（3）结合本次晶界检测工作的实质是图像二分类,通过改进现有VGG₁6模型,提出了更少层次的神经网络结构来代替原有模型,在降低样本数据集以及减少模型训练时间条件下,同样达到了比较高的准确率,改进后的模型最后识别率为94.14%,成功地达到了图像分类的效果。