焊接技术支撑着我国航空航天、水利船舶、轨道交通等先进制造业的发展,工业水平的不断提升对焊接自动化及焊接质量在线监测技术提出了更高的要求。焊缝的熔透状态是衡量焊接质量的基础指标,熟练焊工可通过观察焊接过程中的熔池形貌推测实时的焊缝熔透状态。受此启发,系列熔透状态自动化识别技术被先后提出。传统的熔透状态识别技术对特征工程具有较强的依赖,主观性强,识别精度低,泛化能力差,难以推广应用。近年来,端到端的深度学习方法取得了长足的进步,深度学习方法减少了对特征工程的依赖,能自动从数据中学习特征表示,识别精度高,为熔透状态识别带来新的途径。为此,本文开展基于深度学习的GTAW（Gas Tungsten Arc Welding）熔透状态识别方法的研究。论文首先介绍了目前深度学习在焊接的应用,分析了熔透状态识别的研究进展。深度学习依靠数据驱动,为获取清晰的熔池图像,搭建了GTAW正面熔池图像采集平台,设计了视觉传感系统,并开展了大量焊接试验,通过调节焊接工艺参数得到未熔合、未熔透、适度熔透和过熔透等不同熔透状态下的原始熔池图像;在此基础上,通过采样平衡各类熔透状态的图像样本,并划分熔池图像数据集用于深度学习模型的训练、验证和测试。搭建了深度学习开发平台,利用所构建的GTAW正面熔池图像数据集开发GTAW熔透状态识别模型,设计不同结构的卷积神经网络,分析学习率、批量大小对模型训练的影响,并对自定义卷积模型进行优化。为进一步提升GTAW熔透状态识别模型的泛化能力和开发效率,采用迁移学习方法:通过基于实例的迁移学习提升自定义卷积模型的熔透状态识别准确率,最高可达0.9254;通过基于网络的迁移学习将预训练的VGG16、Inception V3、Res Net18以及Mobile Net V2应用于GTAW熔透状态识别,并比较在不同训练策略下迁移学习模型的熔透状态识别效果,试验结果表明,迁移学习模型相较于自定义模型具有更高的识别准确率,其开发效率也更高。为验证所开发的GTAW熔透状态识别模型的有效性,展示了模型中间激活的输出特征图以及梯度加权类激活映射图,反映了模型对输入熔池图像的层层特征变换;可视化结果表明模型进行熔透状态识别决策所依赖的区域与熟练焊工进行熔透状态推测时所关注的区域相近。最后,将所开发的迁移学习模型通过ML.NET机器学习框架加载集成到焊接相机的控制软件中,实现了GTAW熔透状态的在线识别。