Microscopieafbeeldingen spelen een belangrijke rol in het onderzoek naar de ontwikkeling van nieuwe staalsoorten met verbeterde eigenschappen. Deze afbeeldingen tonen hoe staal er uit ziet op een heel kleine schaal: de microstructuur. Veel eigenschappen van een staalproduct worden door die microstructuur bepaald. Het correct analyseren van microscopieafbeeldingen is daarom van groot belang voor de metallurgie. Geïnspireerd op de successen van deep learning voor afbeeldingsanalyse in verscheidene andere onderzoeksgebieden is het doel van dit doctoraat om de mogelijkheden te verkennen van deep learning voor het samenvatten van de informatie uit een microscopieafbeelding in een beperkt aantal getallen. Deze getallen worden vervolgens gebruikt om machine learning modellen te ontwikkelen die enerzijds verschillende sterk gelijkaardige microstructuren correct van elkaar kunnen onderscheiden en anderzijds de microstructuur kunnen linken aan zowel de samenstelling als de eigenschappen van het staal. We vinden dat we een microstructuur kunnen samenvatten in twee getallen en daarmee nog steeds in staat zijn om de microstructuur beter te herkennen dan de gemiddelde ervaren metallurg. Tevens vinden we dat het mogelijk is om accurate uitspraken te doen over zowel het koolstofgehalte als de hardheid van staal op basis van één enkele microscopieafbeelding.