Con el desarrollo de la industrialización, la demanda de materiales metálicos de alto rendimiento ha aumentado, y el cobre y sus aleaciones se han utilizado ampliamente. La microestructura de estos materiales afecta significativamente su rendimiento. Para abordar los problemas de subjetividad, baja eficiencia y capacidad cuantitativa limitada en los métodos tradicionales de análisis metalográfico, este documento propone un enfoque basado en aprendizaje profundo para segmentar la segunda fase en aleaciones de Cu-Fe. El método se basa en el marco YOLO11 e incorpora una serie de mejoras estructurales adaptadas a las características de la microestructura de la fase secundaria, con el objetivo de mejorar la precisión de detección y el rendimiento de segmentación del modelo. Específicamente, el módulo EIEM mejora la estructura C3K2 para mejorar la percepción de bordes; el módulo CSPSA se optimiza en C2CGA para fortalecer la representación de características a múltiples escalas; y las técnicas RepGFPN y DySample se integran para construir la red de cuello GDFPN. Los resultados experimentales en el conjunto de datos de imágenes metalográficas de aleaciones de Cu-Fe demuestran que YOLO11 supera a los modelos de segmentación semántica convencionales como U-Net y DeepLabV3+ en términos de mAP (85.5%), velocidad de inferencia (208 FPS) y complejidad del modelo (10.2 GFLOPs). El modelo mejorado YOLO11 logra un mAP de 89.0%, una precisión de 84.6% y un recall de 81.0% en este conjunto de datos, mostrando mejoras significativas en el rendimiento mientras equilibra efectivamente la velocidad de inferencia y la complejidad del modelo. Además, un sistema de software de análisis cuantitativo para la uniformidad de la fase secundaria basado en este modelo proporciona un fuerte apoyo técnico para el análisis automatizado de imágenes metalográficas y demuestra amplias perspectivas de aplicación en la investigación de ciencia de materiales y el control de calidad industrial.