激光着色在材料防伪、标记、信息存储等方向具有广泛应用。为了取得最佳的激光着色效果,还有很多技术问题需要解决,如金属激光着色时涉及的控制参数众多,难以掌握颜色随激光参数的变化规律。为此,本论文提出一种基于神经网络的激光着色方法,为最佳激光着色提供解决方案,主要研究内容及结果如下:（1）理论分析并提出一种纳秒激光不锈钢表面着色的实验方法。采用1064 nm波长的纳秒脉冲激光器,搭建了包含振镜系统、三维运动轴的激光标刻平台并完成激光着色实验,通过Python分析实验数据并对激光着色图片进行投影变换、矢量化处理,在Tensor Flow框架内搭建神经网络对激光着色数据进行预测。（2）实验研究了激光工艺参数对着色效果的影响。以激光平均功率（4～20 W）、脉冲宽度（2～350 ns）、重复频率（20～1000 k Hz）、扫描速度（10～740 mm/s）、扫描间隔（0.001～0.03 mm）、离焦量（0～3 mm）六种激光工艺参数对不锈钢着色效果的影响规律。通过对1620组有效激光着色数据分析,发现激光脉冲宽度与重复频率对颜色的影响较小,而平均功率、扫描速度、扫描间隔、离焦量四种参数变化引起的颜色变化类似,不锈钢颜色从橙红色、红色、紫色、蓝色、绿色几种颜色中依次变化。（3）利用Python搭建了两个神经网络以及对激光着色图片进行了形状校正与矢量化处理。搭建由10层全连接层组成的正向预测神经网络,根据激光加工参数预测颜色,准确率在95%以上,大部分预测的色差值小于7;同时搭建由8层全连接层组成的反向预测神经网络,其中串联了训练完成的正向预测网络,从不同的颜色预测激光加工参数,将该参数进行正向预测验证,准确率在98%以上。设计程序对现实拍摄二维图案的位图照片进行轮廓、颜色识别并利用透视变换公式完成形状校正;根据Potrace算法将校正后的位图进行矢量化。本论文研究结果能够极大降低金属激光着色工艺研发时间和材料成本,对实际工业应用具有指导意义。