金属激光熔覆是利用高能量密度的激光束将合金粉末和基体表层一起快速融化凝固的过程,使基体表面获得一层综合性能优异的复合材料。但激光熔覆过程存在庞杂的多个物理场的相互影响和制约,使金属激光熔覆过程加工质量难以保证。熔覆层成形状态对最终加工工件的质量起着关键的作用,衡量熔覆层成形状态的因素有很多,选取其中影响较大的三个因素作为本文的研究对象,分别为熔覆层表面裂纹密度,表面平整度和稀释率。本文提出了基于神经网络的金属激光熔覆层成形状态识别方法,论文的研究内容概括如下:（1）提出基于BP神经网络的激光熔覆层表面裂纹密度和表面平整度的预测模型,裂纹的产生对激光熔覆成形有很大影响,且限制了该技术的推广。针对激光熔覆层表面裂纹难以衡量的问题,引用裂纹密度的概念,通过CAD软件描绘裂纹的形状从而计算裂纹的总长度和熔覆区域的总面积,最终求得不同工艺参数下的裂纹密度。针对激光熔覆层裂纹密度和表面平整度难以预测的问题,提出基于BP神经网络的预测方法,输入参数为激光功率,扫描速度以及送粉速率,输出参数为表面裂纹密度和表面平整度。并使用单层多道熔覆实验训练数据代入训练预测模型,得到可用于预测且预测精度高的模型。（2）提出基于多通道卷积神经网络的激光熔覆层稀释率分类识别方法,针对稀释率的测量过程十分复杂的问题,且考虑到稀释率对熔覆层的成形状态非常重要,提出使用熔池图像数据来实现稀释率的分类。根据查阅文献,将不同稀释率的工件分为三类,分别为稀释率正常,稀释率大和稀释率小,对于普遍使用的卷积神经网络提取特征能力不足,准确率较低的问题,提出使用阈值分割与边缘检测的方法提取熔池图像的感兴趣区域作为神经网络的输入。然后采用小卷积核并联的方式构造多通道卷积神经网络模型,可以增强模型提取特征的能力,提高模型分类的准确率;针对模型易产生过拟合现象的问题,提出在模型中加入Dropout层,可有效改善模型过拟合的问题。最终通过对比实验和数据验证,使用所提模型稀释率的分类准确率最高,平均值为92.83%,证明了所提模型的有效性。最后提出了基于神经网络的激光熔覆成形状态的识别方法,该方法使用BP神经网络对熔覆层表面裂纹密度和表面平整度进行预测,然后使用多通道CNN模型对稀释率进行分类识别。通过单层多道熔覆实验测得的数据验证了该方法的识别准确率。通过本项目的研究,可以实现对上述三个成形状态参数的识别,为提高激光熔覆加工工件的质量方面提供了理论和技术支持。