车身质量与点焊接头质量息息相关,而焊核直径和拉剪强度是评价点焊接头质量的重要指标。由于焊接是一个多变量相互作用的复杂过程,为保证点焊接头质量,传统上为了获得合格的焊点尺寸需要反复调试焊接工艺参数,且为了研究焊点的力学性能还需要对每个焊接样件进行拉剪试验,该方法成本高、耗时长且效率低。另外,对于焊后质量检测,超声波焊点质量检测一直维持在人工手动检测的水平,焊点质量判断受人为因素影响较多,焊点质量检测准确率不高且检测效率低。因此,对于焊点质量的快速预测及焊后快速检测仍是一个亟待解决的课题。针对上述问题,本文提出基于机器学习的方法,构建焊点质量预测模型及焊点质量检测模型,为实现焊点质量的快速预测及检测提供一种新的思路。本文工作主要如下:1)本文首先构建了用于焊点质量预测的点焊工艺数据库。由于焊点数据有限,本文仅针对高强钢材料电阻点焊工艺,以焊接电流、焊接时间、焊接压力作为输入特征,焊核直径和拉剪强度作为输出,基于支持向量机、决策树、随机森林和XGBoost算法建立了焊点质量预测模型,并对各模型的预测精度及耗时进行对比分析。结果表明,基于XGBoost算法建立的焊点质量预测模型预测精度更高,预测结果更加接近实际值且用时非常短,表明本文所提出的焊点质量预测方法能够在保证结果可靠性的同时,大幅度提升焊点质量研究工作效率。2)为了获得更高的预测精度,针对上述焊点质量预测精度最优模型XGBoost,利用灰狼算法（GWO）对模型超参数进行优化,建立GWO-XGBoost复合模型,并和优化前模型预测结果进行对比分析。结果表明,GWO-XGBoost焊点质量预测模型的均方根误差降低,证明了GWO优化模型参数提高模型预测精度的有效性。3)利用超声波检测设备采集超声波回波信号,选取底面回波个数、中间回波个数、衰减率和底面回波间距四个特征作为评判焊点质量的特征,基于支持向量机、决策树、随机森林和XGBoost算法建立焊点质量分类模型,并对各模型分类准确率和用时及分类结果进行比较。结果表明,基于XGBoost算法建立的焊点质量分类模型综合准确率最高且测试用时非常短。然后使用灰狼优化算法对XGBoost焊点质量分类模型进行参数优化。结果表明,经过参数优化后的焊点质量分类模型的综合分类准确率有所提高,表明本文选用的灰狼优化算法对焊点质量分类模型进行参数优化能够一定程度的提高分类准确率。