随着计算机技术的飞速发展，金属增材制造(3D打印/快速成型)技术基于分层制造原理，采用材料逐层累加的方法，直接将数字化模型制造为实体零件，与数控加工、铸锻造及模具制造等手段结合，成为新产品快速成型与制造的方法之一，在多个领域具有广泛的应用前景。选择性激光熔化技术作为实用意义最大的金属增材制造技术之一，目前被国内外广泛研究。选择性激光熔化成型件的精度和机械性能等问题一直阻碍该技术进一步发展，导致成型零件大多不能直接进入工程应用，更不能成为功能性部件。为了克服不利因素的影响，获得优质的成型零件，过程控制是提高选择性激光熔化成型零件精度和机械性能的本质方法，过程监测是实现过程控制的必要前提，合理有效的过程状态监测十分重要。　　本文综合国内外选择性激光熔化过程监测的研究现状及发展趋势，结合工艺过程发展的实际情况，采用非同轴传感器安装方式，研究了成型件中存在的欠熔化、过度熔化问题。使用过程中的声信号和近红外图像，探索深度学习方法在熔化过程监测中的应用，实现了对轨道熔化状态的有效识别，简化了熔化状态监测分析的过程和提高了识别效果。本文的主要研究内容及创新如下:　　(1)结合国内外选择性激光熔化过程的最新研究进展，探讨选择性激光熔化成型件中存在的普遍问题及目前的主要监测方法，并指出选择性激光熔化过程监测需要进一步研究的内容。分析选择性激光熔化过程中产生的主要信号、信号产生的原理、及所对应的缺陷类型，针对目前存在的信号采集方式，结合所要监测的缺陷类型，提出采用非同轴监测系统进行熔化过程的状态监测，实现了对熔化过程中不同信号的有效采集。　　(2)搭建选择性激光熔化过程的声信号监测系统。通过分析声信号产生的原理和声信号的动态特征，对不同频带的声信号进行特征统计，对比分析使用原始信号特征、主成分分析法降维和Fisher线性分析法降维后的识别效果，提出了通过提取声信号动态特征进行选择性激光熔化状态的监测，验证了使用声信号对熔化过程监测的可行性并得出较好的识别效果。　　(3)搭建选择性激光熔化过程的近红外图像监测系统。分析光信号产生的原理、近红外图像中等离子体羽和飞溅的动态特征。探索其特征与熔化成型质量之间的关系，及随激光功率和激光扫描速度的变化，基于近红外图像的特征对熔化的状态进行分类。结果表明，采用近红外图像提取的等离子体羽和飞溅特征对选择性激光熔化过程状态监测具有可行性并能够有效的识别熔化状态。　　(4)使用声信号和近红外图像融合监测选择性激光熔化过程状态，探索其单轨道特征随激光功率和激光扫描速度变化趋势及定性关系。采用深度学习神经网络提取声音信号和近红外图像信号的特征，然后基于此进行状态分类。结合选择性激光熔化过程监测对计算精确性和时间复杂度的需求，采用深度置信神经网络提取声信号特征、深度卷积神经网络提取近红外图像特征，使用声信号和近红外图像信号融合监测熔化状态。结果表明，使用深度学习神经网络进行选择性激光熔化过程的状态识别，减少了实验分析过程并提高了识别速度和效果，声信号和近红外图像特征的融合监测使得选择性激光熔化过程的状态识别更具有可行性。　　整体试验结果对比研究表明，通过所设计的选择性激光熔化平台和监测方法，选择性激光熔化状态可以通过声信号和近红外图像进行融合监测。该研究方法为选择性激光熔化状态的融合监测提供了新的理论方法和可靠的监测依据。