大气低温等离子体因其优异的物理特性而被广泛运用于材料加工、生物医疗以及环境工程等应用领域,而等离子体流注作为大气低温等离子体中一个重要的物理过程,其形态演化的过程对于大气低温等离子体的应用来说十分重要。在等离子体流注的演化过程中,影响等离子体流注形态的外界因素较多,其理论和实验现象的相关关系复杂,并且常压大气等离子体流注的形态是否具有可控性在理论上仍存在争论,具体控制方法的研究工作难于有效开展。因此关于等离子体流注演化过程的可控性问题,以及对其的控制方法在国内外受到高度重视。围绕这一问题,本文提出利用高速相机对等离子体流注放电现象进行拍摄并构建数据集,应用深度学习技术研究放电参数和流注形态的相关关系,探索流注形态的主要影响因素和可控性问题。（1）针对等离子体流注在演化过程中的形态表征问题,本文提出通过改变放电电压、放电频率、气体流量、电极结构以及电极材料增加放电参数的维度,并利用高速相机来对流注的演化过程进行拍摄。实验结果显示在这些不同的放电条件下,等离子体流注的形态的局部特征呈现随机演化,但是其整体形态会随着放电条件的变化进行有规律的演化。（2）针对等离子体流注的形态特征分布和随机性问题,本文提出利用SIFT算法对流注图像数据进行特征提取和特征匹配分析。最终结果显示,同一种放电条件下的等离子体流注存在四种不同的演化状态,并且呈现规律性变化,不同的演化状态的图像数据之间的特征匹配度较低,反之则较高。流注的特征点匹配阈值的变化范围在20-148之间。另外,放电条件不同但是演化状态相同的图像数据的特征匹配度仍然较高,但是会低于放电条件和演化状态均相同的图像数据的特征匹配度。实验结果表明等离子体流注在演化过程中其局部特征分布呈现随机分布,但是其整体形态不是随机变化,而是呈现规律性变化的,并且图像数据可以从特征点分布上被区分出来。（3）针对等离子体流注的形态控制问题,本文利用深度学习网络（Res Net）对整理好的图像数据集进行分析。将图像数据的放电条件作为数据的标签,通过建立网络模型对图像数据进行训练和分析,学习等离子体流注形态与放电条件之间的复杂关系,并最终能够识别图像数据对应放电条件。最终实验结果显示利用深度学习网络能够在一定的放电条件变化范围内对等离子体流注图像数据进行识别,因此实验证明了利用深度学习技术可以解决等离子体流注的可控性问题。因此本文最终得出结论,大气压下的等离子体流注在不同的放电条件下的形态演化较为复杂,其在局部特征上呈现一定的随机演化特性,但是流注的整体形态会随着放电条件的改变而呈现一定演化规律。通过SIFT算法可以发现等离子体流注在同一放电条件下,其整体形态变化不是随机演化过程,而是会呈现规律性变化,并且结合深度学习技术可以证明等离子体流注的形态具有一定的可控性。