选区激光熔化（Selective Laser Melting,SLM）是一种通过快速层叠进行增材制造的技术,在医疗、航空航天等领域占有越来越重要的地位。为了制造出良好的力学性能的试样,需要进行多次工艺优化实验去消除球化、孔洞、裂纹等缺陷,因此本文提出了采用深度学习中的卷积神经网络去预测激光3D打印成形316L不锈钢的微观结构和力学性能关系的预测方法。由于卷积神经网络具有高度抽象的特征,采用了激活图、聚类等特征可视化方法。本文系统的研究了SLM过程中激光功率和扫描速度对显微组织形貌、力学性能等影响,为SLM成形316L不锈钢的工艺优化提供有力的实验支持,并为卷积神经网络训练提供数据支持。主要研究内容包括:（1）制备出了99.97%致密度的工件,并研究了SLM成形件的微观组织及其晶粒形成机理。通过XRD物相分析了316L试件为奥氏体相。观察到了柱状晶和胞状晶的奥氏体组织,解释其形成的理论,并提出典型的熔池组织形貌。（2）研究了激光功率为140¹90 W和扫描速度为600 mm/s⁹00 mm/s的工艺参数对选区激光熔化成形316L不锈钢的力学性能的影响,为SLM制造提供了前期的工艺基础。最优工艺参数为激光功率190 W,扫描速度700 mm/s,得到最大拉伸强度为762.83 MPa和最大维氏硬度为253.07 HV_0.2。（3）用三种神经网络模型去预测选区激光熔化成形316L试件的力学性能并对卷积神经网络内部的特征进行可视化。结果表明深层的卷积神经网络VGG16得到了最好的预测结果,并观测到卷积神经网络内部学习到了关于熔池形貌的特征,为深度学习预测材料性能的可行性提供了有力的数据支持。