激光增材制造是一项先进制造技术,它通过逐层熔覆的方式进行成形制造,为生产复杂形状、功能梯度或者定制类零件提供了有效手段对于金属材料的激光增材制造,高温熔池熔化原位输送的金属粉末或平铺在基材表面的金属粉末,以完成多层熔覆。熔池形貌信息如宽度、长度等与工艺参数如激光功率、扫描速度等相关,熔池波动会直观反映加工过程的不稳定性;另外,通过熔池形貌信息也可预测成形过程的性能指标,如熔池宽度可反应稀释度和冶金结合质量,熔池尾部的形状可以预测凝固过程中晶粒的生长方向,熔池长度可以作为相同扫描速度下热积累的评价指标等。因此熔池形貌信息的准确获取对激光增材制造有着至关重要的意义。激光增材制造工况复杂,熔池图像的监测会受粉末、糊状区（氧化物或未完全熔化的粉末）、反光、等离子体金属烟雾等干扰,熔池形貌监测存在巨大挑战。相比于传统的无辅助照明的被动熔池监测方式,通过主动照明及带通滤波方式获取的图像可有效提升图像质量。本文通过选取合适的辅助光源、滤光片,调整辅助光源入射角度等,搭建激光加工熔池同步监测系统,实现了清晰熔池图像的获取。适用于被动监测图像的阈值分割、相位一致性等传统算法由于辅助光源的反射,难以提取准确的熔池形貌信息。基于全卷积神经网络的图像分割算法可对图像的局部、全局特征进行学习,实现鲁棒的熔池特征提取。本文在考虑了熔池亮度、大小、形状变化较大等形貌特点后选用了PSPNet作为基线网络,并通过增加sc SE Block、添加自设解码模块、改进损失函数等对原始基线网络进行了提升。在有糊状区、粉末遮挡的多层熔覆情况和有反光和等离子体干扰高功率情况下对比分析了本文算法与原始PSPNet和U-net对熔池形状、长度、宽度等信息提取的准确性。结果表明,改进的全卷积神经网络算法有效提升了熔池宽度、长度、形状、尤其是尾部形状的预测效果。另外,使用本文算法,对不同功率情况下单层熔覆、多层熔覆的熔池形貌进行了监测实验,结果表明,本算法可以在单层、多层熔覆的不同情况下准确提取熔池的长度、宽度信息。