传统的白铜合金的耐腐蚀性预测都是通过人工选择较为简单显著的特征或通过物理实验方法预测,而目前这些方法存在主观因素强、预测效果不好、成本高等问题。如何对晶界图像进行快速、确切的特征提取并预测成为了需要迫切解决的问题。深度学习已经成为当下计算机应用领域的研究热门,并且在各大工业领域内取得了较好的成果。近年来,材料铜合金的应用范围越来越广,更关注其使用寿命和用于海洋船舶材料时对海水的抗腐蚀性能。合金的抗腐蚀性能与晶界组织结构存在某种特定的联系,为了更好的提高白铜合金的质量和研究晶界的结构特性,需要对其晶界图像进一步分析。针对深度学习在图像上的广泛应用,提出一种基于优化卷积神经网络对晶界耐蚀性预测模型和根据深度网络进一步提出一种基于改进的残差网络对晶界耐蚀性预测模型。主要的工作内容如下。（1）提出了基于优化卷积神经网络对晶界抗腐蚀性的预测模型。本文将深度学习中的卷积神经网络引入晶界图像抗腐蚀预测中,根据晶界图像的特点构建了卷积神经网络模型,并利用卷积神经网络结构的特点对其进一步优化。传统的卷积操作具有较高参数消耗和学习时间长等问题,针对此处不足提出深度可分离卷积代替传统卷积过程的方法,通过此方法的操作步骤和实验验证了这种替换可以有效的减少计算参数和提高模型的预测效果。通过对池化层操作策略的选择,进一步改进模型的学习效果,降低了晶界的重要特征信息丢失,能够训练得到有效的特征信息从而提高模型预测的效果。并且提出多层特征融合学习的模块,将不同层学习到的晶界特征进行融合再学习,保证模型提取特征信息的丰富性。通过实验对比,验证了提出的改进和优化对网络模型具有更好的效果。（2）提出了一种基于改进的残差网络对晶界抗腐蚀性预测模型。主要通过建立三个不同的学习通道对晶界图像的特征进行有效提取,然后将三个通道学习的特征信息进行统一整合,再通过集成学习模块进行处理,实现对晶界图像耐蚀性的有效预测。通过搭建多种卷积网络结构进行试训练,发现残差网络最适应于晶界图像的训练。通过实验对比,从理论和实验验证了提出的模型对晶界图像的耐蚀性预测具有很好的结果。最终提出改进的残差网络实现多通道对晶界特征的强提取,并利用集合学习实现较高的预测准确率。