Los métodos convencionales actuales para evaluar microestructuras se caracterizan por un alto grado de subjetividad y una falta de reproducibilidad. Los enfoques modernos de aprendizaje automático (ML) ya han demostrado un gran potencial para superar estos desafíos. Una vez entrenado con datos representativos en combinación con una verdad objetiva, el modelo de ML es capaz de realizar una tarea de manera adecuada, reproducible y automatizada. Sin embargo, en casos de uso altamente complejos, a menudo no es posible crear una verdad definitiva. Este estudio aborda este problema utilizando la muestra subyacente de microestructuras de aceros altamente complejos tratados al agua y templados (Q/QT). Un enfoque de clasificación por parches combinado con una técnica de ventana deslizante proporciona una solución para segmentar fotografías micrográficas enteras donde la segmentación por píxeles no es aplicable, ya que es difícil crear máscaras de entrenamiento reproducibles. Utilizando microscopía correlativa, que consiste en micrografías de microscopio óptico de luz (LOM) y microscopio electrónico de barrido (SEM), así como datos correspondientes de difracción de electrones retrodispersados (EBSD), se adquirió un conjunto de datos de entrenamiento de estados de referencia que cubre una amplia gama de microestructuras con el fin de entrenar modelos de ML precisos y robustos para clasificar imágenes de LOM o SEM. A pesar de la enorme complejidad asociada con los aceros tratados aquí, se lograron precisiones de clasificación del 88.8% en el caso de imágenes de LOM y del 93.7% para imágenes de SEM de alta resolución. Estas altas precisiones están cerca del rendimiento sobrehumano, especialmente considerando la reproducibilidad de los enfoques automatizados de ML en comparación con los métodos convencionales basados en evaluaciones subjetivas por parte de expertos.