迄今为止，基于显微照片的缺陷检测仍是评估增材制造（AM）构件质量的主要方法之一，这得益于其成本低，且在直接、精确观察现有缺陷方面具有独特优势。然而，传统的基于显微照片的缺陷检测通常依赖人工操作，由于主观的人工干预，其效率和可重复性在很大程度上受到限制，从而阻碍了对大型试样缺陷的准确、快速评估。在本研究中，深度学习（DL）被用于加速基于显微照片的缺陷检测，通过训练用于缺陷识别和量化的语义分割模型，取代传统的人工操作，有助于提高该方法的效率和精度。所提出的深度学习方法成功应用于50个18Ni300马氏体时效钢的激光粉末床熔融（L-PBF）试样，在5000张显微照片中快速、准确地识别出两种孔隙缺陷，即气体包裹孔（GEP）和未熔合（LoF），并提供了可靠的量化结果。此外，基于这些大规模的定量缺陷结果，深入研究了打印参数、孔隙率信息和拉伸性能之间的一般关系。同时，本研究还详细讨论了训练后的模型对图像质量和样品质量的稳健性，以及观察区域对量化结果的影响。