金相观察是分析材料微观组织的重要方法,采集高质量的金相图像对于材料分析尤为重要。然而,采集高质量的金相图像是一个耗时耗力的过程。特别是超低碳钢,由于其变形抗力低,磨样时易出现划痕,此外,难以通过腐蚀手段获得清晰的晶界,给微观组织分析带来极大困难。本文基于超低碳钢微观组织照片晶界模糊、划痕较多的问题,融合注意力机制与循环回归神经网络算法,开发基于CycleGan-SA的晶界强化方法,实现微观组织晶界强化。在此基础上,采用分水岭分割算法,针对晶界强化后微观组织图像,实现晶粒尺寸精细化统计,结果表明:相比传统分割方法,CycleGan-SA模型可以实现微观组织特征信息强化,精细化分析模型测得的晶粒尺寸分布与Image J测定基本相同,晶界占比与Image Pro Plus 测定相差仅有0.008%。