高强钢的组织结构如晶粒尺寸、相比例等是决定其最终力学性能韧性、塑性、疲劳性能等的关键因素。 传统的金相分析方法存在主观性强、定量化不足等局限。 为此，需探索并评估机器视觉技术在高强钢显微组织自动识别、定量分析及其与力学性能关联性研究中的应用潜力与影响。 通过开发并优化基于深度学习的图像分割与特征提取算法，实现了对复杂组织的高精度、自动化识别与定量表征。进一步，重点研究了利用提取的组织特征参数(如相比例、相含量)建立预测高强钢关键力学性能(抗拉强度、伸长率)的机器学习模型。 通过上述技术应用实例，提供了一种调控组织与性能的影响分析思路。