大功率激光器的出现，开辟了激光焊接新领域，推动了以匙孔效应为理论基础的深熔焊接的发展。作为大功率深熔焊遇到的关键问题之一，光致等离子体的研究受到越来越多的关注。近十几年的研究主要集中在等离子体信息在线监测、特征分析以及控制等方面。虽然已经实现了一定程度的激光焊接自动化，但是由于激光焊接过程是一个非线性、时变和易受干扰的多变量强耦合复杂过程，导致设备的复杂化和检测的困难化，极大地限制了激光焊接的自动化程度与推广进程。　　 大功率碟型激光焊接过程中形成的等离子体以金属蒸汽为主，金属蒸汽图像的各种特征参数随着激光焊接状态的不同而变化。本文通过高速摄影技术获取大功率碟型激光焊接过程金属蒸汽等离子体的瞬态信息，提出了金属蒸汽彩色图像聚类分割算法以提取光致金属蒸汽的面积、高度、亮度、摆角以及飞溅颗粒的面积等特征参数，结合对焊接样品的检测分析，探索了金属蒸汽图像特征与激光焊接加工质量之间的关系和规律。利用人工神经网络分别建立了基于BP神经网络和RBF神经网络的焊缝宽度预测模型，并将支持向量回归算法引入到焊缝宽度预测模型中，提出了基于支持向量回归的焊缝宽度预测建模方法。通过这一系列的研究工作，取得了如下主要研究成果:　　 1、探究并分析大功率碟型激光焊接过程金属蒸汽监测试验系统　　 试验系统主要由激光加工设备和带组合滤光片的高速摄像机组成。设计了10kW的平板堆焊焊接试验方案:在选取不同的焊接速度，且保持其他焊接参数不变的情况下，进行了多组试验，得到了相关金属蒸汽图像数据。　　 2、提出了金属蒸汽彩色图像聚类分割算法　　 金属蒸汽的彩色图像比灰度图像蕴含着更为丰富的信息，本文提出了两种基于彩色空间的聚类分割算法，实现了在不同彩色空间中直接对光致金属蒸汽图像进行分割。　　 (1)针对传统的K-means聚类分割算法在处理光致金属蒸汽图像时，时间复杂度很高，分类性能较差，提出了一种改进的K-means聚类分割算法:引入距离参数d，增强类内中各样本的聚合程度，从而提高分割精度;减少样本集中包含的样本数量，在处理样本集中的样本时，先将背景区域样本过滤，再对前景区域的样本进行分类，从而降低时间复杂度。试验结果表明，改进的K-means聚类分割算法在RGB颜色空间和HSI颜色空间都能有效地提高分割精度，降低时间复杂度。　　 (2)改进的K-means聚类分割算法的时间复杂度仍然偏高，且初始聚类中心的选择对于聚类结果有较大的影响，因此，引入基于最小错误概率判决准则的概率聚类算法，采用Bayers分类决策模型，将样本X分配到使后验概率最大的聚类中。在概率聚类算法中，类条件概率密度函数定义为样本X到该类聚类中心之间距离的倒数。试验结果表明，两种聚类算法的分割精度相近，但是基于最小错误概率判决准则的概率聚类算法大幅降低了时间复杂度。　　 3、提取与分析光致金属蒸汽图像特征与焊缝特征　　 本文定义了光致金属蒸汽图像的各种特征信息（包括金属蒸汽面积、高度、亮度、质心、摆角和飞溅颗粒面积），将其与实际样品的焊接质量（包括焊缝表面特征、熔深、熔宽和深宽比等）进行对比，以期找出光致金属蒸汽图像特征与激光焊接质量之间的联系。这些非线性的特征信息，在很大程度上可以反映出焊接质量的变化，从而反映出焊接过程的稳定性变化情况，为焊接过程的可监控性提供了新的思路。　　 4、建立基于金属蒸汽图像特征的焊缝宽度预测模型　　 (1)利用人工神经网络建立焊缝宽度预测模型　　 现有预测模型中的输入信号（如焊接电流、焊接速度、熔池附近温度）对于焊接过程往往呈现一维性，丢失了信号的空间分布信息，降低了焊接性能预测的可靠性。文中分别建立了基于BP神经网络和基于RBF神经网络的焊缝宽度预测模型，输入为由金属蒸汽图像特征组成的7维特征向量，分别是金属蒸汽面积平均值及其方差、飞溅面积平均值及其方差、金属蒸汽摆角平均值及其方差以及前一个样本的焊缝宽度输出;输出为模型预测的焊缝宽度。试验结果表明，BP模型在焊缝宽度预测方面优于RBF模型，较适合于激光焊接过程中的应用。　　 (2)引入支持向量回归算法，提出了基于支持向量回归的焊缝宽度预测建模方法人工神经网络不稳定，过分依赖学习样本，并且大功率碟型激光焊接过程中获取的样本数量有限，本文引入支持向量机方法，建立了基于支持向量回归的焊缝宽度预测模型。该模型的输入层和输出层的设计与BP神经网络模型的输入层和输出层的设计一样。试验结果表明，支持向量机在非线性回归方面的泛化能力强于BP网络，很适合大功率碟型激光焊接过程的样本训练和预测。