显微视觉,尤其是涉及到一维纳米材料的识别、分割、参数分析等问题是一个重要的研究领域,它对于纳米级尺度的材料和宏观电子器件之间的关系的建立有着重要的意义。纳米材料中的纳米线对于光敏传感器、FET器件等有着重要的影响,而纳米片对于太阳能电池的效率等存在影响,因此,对于该领域的研究能够推动对于纳米尺度材料的认识。本文对于这两种材料分别进行处理,并提出了有效的用于这两种材料的分割、识别等问题的算法。本文首先分析了扫描电子显微镜(SEM)一维纳米材料图像的特征和该特征条件下给图像识别、分割、参数提取带来的不足,由于扫描电子显微镜的成像原理是基于二次电子,因此扫描电子显微镜成像本身存在灰度不均匀,背景灰度不均匀,纳米线的灰度分布不均匀,这给分割识别带了难度。在这个基础上本文分别研究了纳米线和纳米片两个目标研究对象。对于纳米线,本文分析了纳米线分割需要解决的问题,以及图像的分布特征,提出了基于光通道假设的贝叶斯分类器用于图像的分割算法。本文方法可有效的解决背景灰度分布不均匀、前景纳米线灰度不均匀的问题。实验显示本文提出的算法比同类算法具有更优的图像分割效果。同时,本文进一步分析了SEM一维纳米线的参数提取的问题。由于独立单根纳米线、纳米颗粒、交叉纳米线同时存在,因此给直接获取纳米线的参数带来了问题,无法直接获得纳米线的参数;纳米线和纳米颗粒同时存在会对分割产生干扰,同时交叉的纳米线会对参数确定带来很大的难度。本文利用多分类支持向量机对于以上所述的三种对象进行讨论,首先获得了独立单根纳米线的特征。之后对于交叉纳米线进行了详细的讨论,利用了本文提出的修正霍夫变换的策略对于交叉纳米线中的纳米线分别测量其中的边界。在图像数据样本中的实验表明该算法能够有效的提取纳米线的参数。本文针对纳米片状结构的特点,即大量纳米片状结构堆积在一起,而需要识别的目标对象较小,因此使得一般的识别算法无法发挥作用。在本文中根据纳米片状结构的独特性,设计了结合图像全局信息和图像局部信息的深度学习框架,克服了小样本、分割图像细节不足的缺点,实现了对于纳米片状结构SEM图像中目标对象的识别、分割。实验结果表明,本文提出的深度学习网络,能够很好的在小样本数据上进行训练,同时得到的图像分割的结果优于其他仅仅使用全局信息的深度学习网络。