准确地获取陶瓷材料显微结构中的晶粒形状、分布等信息对进一步认识和研究陶瓷材料的性能至关重要。利用陶瓷晶粒扫描电子显微镜（Scanning Electron Microscope,SEM）图像对晶粒的形状、分布和数量等进行分析是提高陶瓷材料性能的重要手段。较为准确的陶瓷晶粒图像分割是提高晶粒分析质量的关键。传统的基于深度卷积神经网络（Convolutional Neural Network,CNN）的SEM图像分割方法主要采用人工设计神经网络架构的方式,研究人员需要具有丰富的经验和专业知识,同时耗费大量的时间调整架构和参数,且分割准确性欠佳。为了提升CNN设计的自动化程度并进一步提高陶瓷晶粒图像分割的准确性,本文提出了一种基于神经网络架构搜索（Neural Architecture Search,NAS）的陶瓷晶粒SEM图像分割方法。围绕这个方法,本文的工作如下:（1）基于神经网络架构搜索提出了一种自动构建神经网络的陶瓷晶粒图像分割方法:编码-解码神经网络架构搜索（Encoding and Decoding Neural Architecture Search,ED-NAS）。该方法基于编码-解码神经网络架构定义搜索空间,将搜索空间分为编码空间和解码空间并且同时进行搜索。其中,编码空间采用能够融合深层和浅层特征信息的多分支式结构,解码空间则采用能够对特征映射进行精细捕获的简单链式结构。设计多分支结构编码搜索空间和链式结构解码搜索空间,并构造多分支结构编码Cell（Encoding cell,E-cell）和链式结构解码Cell（Decoding cell,D-cell）。然后基于强化学习的搜索策略分别搜索最佳E-cell和D-cell;最后,基于编码-解码神经网络架构堆叠最佳Cell构建卷积神经网络,采用池化索引在解码阶段恢复编码时丢失的细节信息,用于陶瓷晶粒图像分割。（2）构建了一个陶瓷晶粒数据集,并在该数据集上进行ED-NAS方法的实验验证与对比。通过图像采集、标注等步骤构建了一个包含629张的陶瓷晶粒SEM图像和标签的数据集。在该数据集上搜索最佳Cell,最后堆叠最佳Cell,在最佳堆叠深度上构建基于编码-解码神经网络架构的卷积神经网络,并与U-Net、Seg Net等人工设计的、在相关领域最好的方法（state-of-the-art result,SOTA）进行对比。与SOTA方法相比,ED-NAS方法能够实现更好的CNN架构设计效率和具有竞争力的模型评估精度。从分割准确性评价指标平均交并比（Mean Intersection over Union,m Io U）来看,ED-NAS在陶瓷晶粒测试集上获得了更高的分割准确性（m Io U≈68.9%）。从陶瓷晶粒图像分割结果图来看,ED-NAS在一定程度上消除了边界像素点的预测误差,并具有更好的分割准确性。实验与对比结果表明,本文所提出的方法能够为陶瓷晶粒数据集自动设计有效的CNN图像分割模型,与先进的手工制作神经网络相比,表现出了具有竞争力的结果。