摘要：针对现有连铸坯碳含量检测方法的不足，前人基于低倍组织图像灰度与碳含量的对应关系尝试建立了高碳钢连铸坯碳含量预测指数函数模型，但对于碳偏析程度更加难以表征的低碳钢还尚未研究。低碳钢局部区域偏析程度明显，最大偏析指数大于３．０，故有必要展开碳含量高效表征研究。选取典型低碳钢连铸坯试样，首先建立基于低倍组织图像灰度的碳含量预测指数函数模型，函数拟合结果Ｒ２系数为０．６２，平均相对误差（ａｖｅｒａｇｅｒｅｌａｔｉｖｅｄｅｖｉａｔｉｏｎ，ＡＲＤ）为２９．７％。然后，建立了基于低倍组织图像颜色参数的碳含量预测神经网络模型，训练结果ＡＲＤ为１９．５％。最后，结合神经网络模型和指数函数模型预测结果特点，构建了碳含量预测综合模型，测试集数据的ＡＲＤ得到了进一步降低，为１４．２７％。同时，预测结果平均值与电子探针检测结果平均值的相对偏差为３．４３％，与常用的碳含量检测方法相比，误差已基本达到相同的数量级，部分预测结果误差已低于常用检测方法。由于低倍组织图像及其颜色信息获取过程操作简单、成本低、像素尺度可处于微米级且获取范围可针对整个连铸坯断面或大区域范围，故本模型可为类似钢种连铸坯中碳元素偏析状况精..