熔焊是重要的金属材料连接方法,广泛应用在航天结构件、汽车车身、船舶分段等产品加工中。熔焊过程呈非线性、强耦合、高动态等特点,如何通过监测熔焊过程进行闭环控制一直是工程难题。基于深度学习的计算视觉近年来被认为是熔焊状态识别及缺陷检测的重要手段,是当前学术研究的热点。然而实际工程中面临熔焊图像存在强干扰、鉴别性视觉特征难以学习以及识别模型可解释性差等挑战。针对上述问题,系统性的分析了熔焊图像的特点,提出了丰富样本空间、限制假设空间和增强可解释性三个前沿挑战问题,对基于深度学习的熔焊图像视觉特征学习现状展开了综述研究和趋势分析。本文从其数据、特征和模型三个层次展开研究,主要创新点如下。1.数据层面。针对熔焊图像数据中存在的视觉干扰问题,提出了融合时序数据的视觉特征学习方法。建立了带有可分离结构和多维注意力机制的改进三维卷积神经网络（3DSMDA-Net）,该网络包括面向三维卷积核的深度可分离轻量化方法,并通过多维注意力机制弥补分离操作带来的精度损失。算法验证表明:融合时序数据的熔焊图像视觉特征学习方法在视觉干扰下的识别准确率远高于非时序性模型,轻量化模型体积降至1/7,多维注意力机制保证了模型轻量化和准确率的平衡。该方法将针对单幅熔焊图像而言的干扰信息转换为了支撑模型决策的时序信息,同时丰富了样本空间。2.特征层面。针对不同熔焊状态对应的有效视觉特征匮乏、鉴别性视觉特征难以提取以及视觉特征表示存在冗余的问题,提出了面向差异性、鉴别性和冗余性视觉特征的一体化学习方法。提出了面向卷积核的粗粒度正则化方法（CGRCK）,促使卷积核学习的熔焊视觉特征差异增大,防止了模型过拟合。设计了标签语义注意力机制（LSA）,利用标签文本间的语义鉴别性提高了学习鉴别性视觉特征的能力。提出了基于长短时记忆（LSTM）神经网络的特征融合方法,对有用特征进行了增强,对无用特征进行了遗忘。算法验证表明:面向差异性、鉴别性和冗余性视觉特征的一体化学习方法分别从卷积神经网络的宽度、深度和输出这三个独立的角度对假设空间进行了限制,强化了差异性和鉴别性视觉特征学习能力,提高了冗余性视觉特征的自适应融合能力。3.模型层面。针对基于视觉的熔焊状态识别模型的透明性需求,提出了基于多尺度融合特征的类激活映射可解释性建模方法（CAM-MSFF）。CAM-MSFF融合了多尺度监督机制,促进了熔焊图像的多尺度特征学习和定位。设计了特征压缩、特征映射和特征重标定三个模块,实现了多尺度特征自适应融合。提出了基于多尺度融合特征的类激活映射方法,获得了熔焊状态识别模型的类激活映射图,从视觉角度解释了模型的决策依据。算法验证表明:CAM-MSFF具有更高的识别准确性,并且模型的决策依据更易解释。最后,论文通过四种实际熔焊图像数据集（MIG-DT,CO2-MPD,Laser-PS,Laser-DC）对所提方法进行工程案例验证。验证结果表明,所提方法在工程应用中具有识别准确率高、推理速度快、模型轻量化、可解释性强等优点,可满足熔焊状态监测与识别的实际工程任务。