在复杂环境作用下,服役的金属材料会产生断裂、腐蚀、疲劳等失效事故,进而造成重大经济损失与人员伤亡。如何通过对金属断口图像进行准确高效的智能识别,提出判定金属断裂机理的新方法,对于高品质金属制品生产和安全使用意义重大。本文结合人工智能理论,将神经网络方法引入图像预处理中,将深度学习方法引入断口类型识别中,给出一种新的金属断口图像预处理及识别方法。论文的主要研究内容及成果如下:1、设计了一种基于神经网络的改进非局部均值去噪算法。结合非局部均值去噪算法边界特征保留完整的特点,设计了一种基于四层神经网络结构的改进非局部均值去噪算法。改进后的算法跳出加权平均与指数函数的思路,避免了传统非局部均值去噪算法效果受权重函数和滤波器参数人为选择的影响,将原算法中的单层固定权重滤波结构改进为多层权重可更新网络结构。通过在Barbara测试图上进行视觉质量、峰值信噪比以及结构相似度实验验证了本文算法的有效性。最后给出算法在金属断口噪声图像上的去噪实例。2、设计了一种基于卷积神经网络(Convolutional Neural Networks,CNN)的金属断口分类模型(Deep Metal Fracture Classify,DMFC)。DMFC模型构建过程如下:金属断口图像数据集制作、模型层数的确定、卷积核大小的确定、BN层对网络性能的影响、添加Dropout层、DMFC模型整体结构。分别设计DMFC-A～DMFC-F模型,并对各种模型下的训练集、测试集准确率及误差曲线和训练时间进行分析,最终确定DMFC模型结构,并且给出DMFC模型与传统机器学习方法KNN、SVM算法在金属断口图像数据集上的准确率对比,验证了DMFC模型的有效性。3、设计了一种多感知兴趣区域特征融合的图像识别方法。本部分研究基于深度学习中的迁移学习、强化学习以及类激活图可视化。对近年来在分类任务中效果较好的VGG-16网络模型、VGG-19网络模型以及残差神经网络Res Net-50模型进行分析。根据分析结论:不同模型在识别相同图像时所关注的兴趣区域不同,本文给出三种融合方案对模型进行融合。实验给出三种融合模型与融合前模型以及DenseNet网络模型在Kaggle数据集上的准确率对比,验证本文融合算法的有效性。最后给出多感知兴趣区域特征融合方法在金属断口数据集上的识别实例以及类激活图可视化分析。