ZnO纳米线因其优越的物理化学特性,被广泛地用于各个领域。ZnO纳米线的尺寸、形状等几何结构是影响物理化学特性的重要参数,如何准确地对ZnO纳米线SEM图像进行识别、分割,最终实现测量,对于构建纳米材料的微观特征与宏观物理化学特性之间的联系有着重要的意义,尤其能够推动对其物理机理的理论认识。然而目前所使用的测量方法主要都是人工手动测量,该方法效率低,成本高,无法实现大规模测量。深度学习自2006年被提出后,基于深度学习的图像处理方法发展迅速,其在众多图像识别领域中的表现均远超传统图像识别算法。本文针对业内缺少ZnO数据集问题,提出了使用氧化锌纳米结构批量化自动沉积装置（纳米结构自演化工艺机,课题组内部代号KQS）进行批量自动化制备ZnO纳米线,从而构建ZnO纳米线数据集;针对ZnO纳米线图像的特点,提出了一种基于深度学习的图像处理算法,能够有效、精确地对图像进行分割。本文研究的主要内容包括以下两个部分:（1）ZnO纳米线二次电子像数据集的构建。当前,纳米材料研究领域缺少有效的显微图像公开数据集,无法满足深度学习算法对于大量图像数据的基本要求。为此,本文提出使用KQS进行制备大量不同状态的ZnO纳米线样品,并提高调控相同状态样品结构参数特征的效度水平。相比较使用人工实验的传统方法,通过KQS自演化工艺机可以实现一次实验获得32个样本,从而极大的降低了时间成本,实验效率大幅提高。在获取样本之后,通过SEM进行表征,从而获取SEM图,并通过边缘锐化,图像增强,等算法加强数据的可靠性。ZnO纳米线二次电子像数据集的构建。最后通过VIA标注工具实现数据集构建。（2）ZnO纳米线二次电子显微图像的多目标分割任务。纳米线图像的分割任务主要存在以下三个难点:1)纳米线SEM图为单通道的灰度图,图像的梯度分布不明显,使用像素阈值,聚类运算等传统方法对图像进行分割,效果不明显;2)纳米材料SEM图的形态各异,同一种材料,基于不同参数的拍摄方式都会出现截然不同的表征图像,这要求算法具有很强的鲁棒性,可以处理不同场景中的ZnO纳米线SEM图;3)纳米线SEM图是一些纳米线单体的集合,纳米线堆叠排列的方式具有较高的复杂性和随机性,单体之间相互重叠,对特征分割任务造成很强的干扰,从理论上讲,此类图像特征极易产生误识别问题。这不但要求算法能够有效区分背景与前景,而且对于算法的特征学习泛化能力和鲁棒性都提出了很高的要求。本文针对上述难点问题进行了算法原理上的分析讨论,并开展了大量实验研究工作。在此基础上,提出了基于Mask R-CNN的图像分割算法,在KQS系统提供的48个样品和146张形态各异的ZnO纳米线SEM图,成功实现了89%的准确率,约85%的特征有效面积,将背景误识别率降低为11%。并且,对ZnO纳米线端面面积和周长的测量功能误差分别为3.6%与6.3%。