随着高精度焊接工艺(如激光焊接)的广泛运用,无坡口、紧密对接的微间隙焊缝检测跟踪问题日益突出。精确的焊缝检测跟踪是保证焊接质量,实现焊接自动化的关键。然而对于微间隙焊缝,传统焊缝检测方法难以有效地提取焊缝位置信息,识别焊缝偏离程度,为此论文研究了一种基于磁光成像的焊缝检测新方法。磁光成像传感是一种利用法拉第磁旋光效应通过检测偏振光的偏振状态实现磁场可视化的新技术。针对紧密对接的低碳钢板的微间隙焊缝,对试件施加激励磁场,通过磁光传感器获取焊缝磁光图像,由于施加在两块板材上的磁场分布存在明显差异,因此在磁光图像上焊缝位置存在明显的过渡带特征。研究磁光图像中的焊缝区域灰度分布特点,结合图像处理方法得到焊缝过渡区域,提取过渡区域的中点作为焊缝位置特征点。建立焊缝特征参数与焊缝偏差数学模型,计算焊缝偏差的测量信息。通过不同条件的焊缝检测试验,验证磁光成像传感技术能有效地检测出焊缝位置。由于焊缝跟踪过程中存在多种噪声干扰,严重影响焊缝位置信息的准确提取。因此,设计一种基于Kalman滤波的系统状态最优估计方法,对焊接偏离状态进行准确预测。首先,建立基于焊缝位置参数的系统状态方程和焊缝位置测量方程,构建Kalman滤波算法得到最小均方差下焊缝偏差最优估计值。其次,针对系统过程噪声和测量噪声可能为色噪声的情况,分别通过状态扩增法和测量扩增法,构建色噪声下扩展卡尔曼滤波算法,实现对色噪声状态下的最优估计。多种工艺试验结果表明Kalman滤波算法能有效消除噪声干扰,提高焊缝跟踪稳定性。最后针对焊缝跟踪过程中系统过程噪声和测量噪声统计特性难以在焊前精确获取的情况,通过比较不同噪声方差取值下的卡尔曼滤波结果,研究噪声统计特性不确定性对卡尔曼滤波稳定性的影响。将神经网络与卡尔曼滤波算法结合,提出一种神经网络补偿卡尔曼滤波算法。建立BP神经网络,以卡尔曼滤波状态参量作为网络输入,滤波误差作为网络输出。利用BP神经网络的输出进一步修正卡尔曼滤波值,补偿由于噪声统计特性不确定性引起的滤波误差。试验结果验证了这一方法可有效提高滤波精度。