高熵合金的诞生让多种元素的优异性能可以同时展现在一种合金材料中,而合金材料的性能不仅由化学成分及其内部的组织结构决定,还由制造技术决定。增材制造技术具有不需要设计成型模具、针对复杂结构进行快速成型以及减少材料损耗等优点。在合金的增材制造技术中,激光选区熔化技术（Selective Laser Melting,SLM）是其中的重要一环,其工艺参数的选取是影响合金材料SLM成型质量的重要因素。因此,本文通过数值模拟研究了SLM成型工艺参数对成型质量的影响规律,并通过回归分析建立了工艺参数与模拟结果之间的关系模型,得到了一种精准度较高的回归模型,大大提高了工艺参数优化的效率。主要研究内容与结论如下:（1）选择铸态性能优异的AlCoCrFeNi2.1高熵合金,完成了块体AlCoCrFeNii2.1高熵合金的SLM成型制备实验,并通过试验方法,获得了数值模拟需要的AlCoCrFeNii2.1热物性参数。主要包括使用DSC方法测试其比热容、闪光法测量其热扩散系数、热机械分析法测量其热膨胀系数、混合法和唯象关系式估算高温下的弹性模量。（2）基于生死单元法和固有应变理论,通过构建热源-结构件的二级模型完成了激光选区熔化试验的数值模拟,并验证了数值模拟方法的准确性。分析了SLM成型过程中,激光宽度、激光吸收效率、激光功率、扫描速度以及粉末层厚等五种工艺参数,对最大总变形量的影响规律。研究结果表明,不同的工艺参数对于最大总变形量的影响是不同的,满足回归分析算法对于变量的要求。（3）以五种工艺参数为自变量,最大总变形量为因变量,使用随机数算法获取了500组由不同工艺参数以及最大变形量建立的数据集,并对数据进行归一化处理。使用常用的5种机器学习回归算法（线性回归模型、决策树回归模型、随机森林回归模型、K近邻回归模型以及支持向量回归模型）建模,分析5种回归模型的回归效果。结果表明,以RBF为核函数的SVR模型的拟合优度能够达到0.977,最接近于1,同时均方误差最小,学习效率与回归效果相对最优。（4）使用萤火虫算法和粒子群算法对支持向量回归模型的惩罚因子和核函数参数进行优化。研究结果表明,两种算法对提升SVR模型的拟合优度均有积极作用,其中,粒子群算法能够使支持向量回归模型的拟合优度达到0.984,相较于萤火虫算法回归效果更好。因此,基于粒子群算法优化的SVR模型对于AlCoCrFeNii2.1块体激光选区熔化成型的最大变形量预测有着很好的准确性与适应性。