当今汽车市场竞争日益激烈,车企的新产品研发频次越来越高,对发动机新品的研发速度提出了更高的要求。在汽车零部件轻量化的背景下,应用激光增材制造技术能辅助汽车发动机的快速开发,降低研发成本。然而,增材制造零部件的尺寸精度和表面品质存在比较明显的差距。因此,对发动机增材制造过程进行质量诊断研究具有重要的理论意义和应用价值。本文从发动机激光增材制造过程的质量保证出发,探究不同工艺参数对熔池和等离子体信息的影响,进而确定后续增材质量诊断实验所用的工艺参数,并对发动机激光增材制造进行统计过程监控,以判断其过程稳定性,同时对存在的质量问题进行判别与分析,实现对发动机激光增材制造过程的质量诊断。首先,开发了激光熔池的图像处理算法,通过ROI提取、均值滤波、灰度变换、阈值分割和边缘检测等技术,实现了熔池面积和熔池温度等特征的提取。设计并进行单一变量条件下的单道多层沉积实验,同时采集了增材过程中的熔池图像和光谱信号,结合相关理论公式计算了等离子体温度和电子密度,从而建立了监测信息与工艺参数两者之间的变化关系。其次,设计并进行Al Si12和316L两种材料的缺陷实验,基于熔池面积和熔池温度变化的分析,实现了对增材时产生缺陷的判别,进而确定了控制图用的统计变量。另一方面,设计并进行不同受控状态下的成型件实验,计算了T2统计量和控制上限,进而验证了控制图法对增材制造过程状态的判断能力。进一步地,采用控制图法对发动机中典型结构增材制造过程进行了分析,实现了对增材时热积累等原因引起过程失控的判断。最后,对于发动机铝合金零部件和排气系统,分别进行了不同的单道多层沉积缺陷实验,通过图像处理提取了十个熔池特征,结合有关理论公式获取了三个等离子体特征,并通过主成分分析法有效地降低了特征的维度,进一步地将转换后的主成分作为输入数据,分别建立了支持向量机、决策树和RBF神经网络三种模型,根据各个评价指标综合选择了支持向量机法和决策树法,分别用于铝合金零部件和排气系统增材过程的质量诊断,最后通过实验验证了所选模型的缺陷识别能力。