金属激光熔化沉积是采用激光束作为聚焦热能将材料同步熔化沉积的新型加工工艺。但加工过程中存在复杂的多物理场耦合作用,使得沉积质量难以保证。而金属激光熔化沉积质量与熔池状态具有密切关联,根据熔池视觉特征对加工中的熔池状态进行识别,进而实现沉积质量的在线预测对金属激光熔化沉积技术具有重要意义。本文以金属激光熔化沉积熔池图像为研究对象,提出图像预处理和基于深度学习的熔池状态识别方法。论文研究内容概括如下:(1)提出基于PPCNN的金属激光熔化沉积熔池状态识别方法。针对熔池区域只占原始图像较小比例,以阈值分割和边缘检测方法提取原始熔池图像中感兴趣区域为输入;针对普通卷积神经网络高层特征信息丢失的问题,构建一种金字塔池化卷积神经网络模型,并研究不同模型参数对熔池识别效果的影响;针对模型泛化性较差的问题,引入L2惩罚项增加模型的泛化性。通过对比试验,验证了模型的有效性。(2)提出基于SFDCF和DDenseNet的金属激光熔化沉积熔池状态识别方法。针对原始熔池感兴趣区域包含较多的噪声与干扰信息的问题,提出以空域和频域结合滤波的方式对原始熔池感兴趣区域进行滤波和图像增强的方法;针对PPCNN在前向传播过程中仍存在传递效率不高的问题,构建了密集连接卷积神经网络模型;针对标准卷积核进行特征提取时参数计算量大的问题,利用深度可分离卷积取代标准卷积。通过熔池试验数据验证,所提方法可以获得较高的识别率且极大减少了模型的训练时间。(3)利用LabVIEW与Python等软件实现所提算法的开发应用。通过开发金属激光熔化沉积熔池状态识别系统,实现金属激光熔化沉积的数据采集与处理、熔池状态的在线监测及基于深度学习的熔池状态识别等实际应用。通过本项目研究,能够实现金属激光熔化沉积熔池状态的精确识别,进而为反馈控制和提高激光熔化沉积质量等提供理论与技术支撑。