激光增材制造技术基于离散与堆积的原理,为制造过程提供了工艺柔性与几何和成分自由度,推动了制造业的快速发展。然而,制造过程不稳定与高质量零件重复性差是阻碍该技术得到进一步应用的关键所在。因此,需采取有效的监测手段获取零件在制造过程的成分和质量等信息。制造过程中的诸多物理现象伴随着弹性波的产生,与声发射（AE）现象相互对应。因此,研究制造过程中的AE现象并基于此进行过程监测具有重要意义。本文通过结构式AE传感获取激光、粉末和基材三者交互作用产生的AE信息,结合信号处理与机器学习,对激光增材制造过程进行监测。研究了AE信号特征与增材制造工艺参数的相关关系;研究了识别制造系统工作状态、熔覆道质量与梯度材料制造过程综合监测的可行性。首先,基于增材制造过程中AE信号的时、频域特点,提取了12个统计学特征。设计并进行单独送粉与沉积过程的单因素实验,信号的有效值和能量与单位时间内冲击基板的粉末数量相关,粉末输送过程的稳定性随粉末流量增加而降低,工艺参数对信号时、频域数据的概率分布影响微弱。此外,信号特征随离焦量变化呈现出分段式线性变化。然后,针对增材制造系统的工作状态,以单独送粉、单独激光和沉积过程为对象,设计并开展实验,其中沉积实验包含具有不同质量的熔覆道。对不同工况下的AE信号进行时、频域分析,确定了粉末冲击基板导致的振动所在的频段（53～216 k Hz）,并据此提取激光定向能量沉积工艺特有的AE特征。通过K-means算法聚类分析了不同类别样本之间的内聚性与离散性,通过支持向量机等监督式机器学习算法构建分类模型,实现了对制造系统工况和熔覆道质量的监测与识别。最后,以Inconel 718/SS 316L和Al 2024/SS 316L材料体系为对象,设计实验模拟梯度材料的全制造过程。根据粉末冲击模型分析和验证了不同类型粉末导致的AE信号之间的关系。基于所提取的AE特征与随机森林等算法,分别构建用于识别粉末类型的分类模型和预测粉末流量或粉末配比的回归模型。无热源输入时,模型能够较为精准地实现监测目的;而沉积过程中,由于粉末熔融使得振动信息减少,且异种材料反应增加了过程不稳定,最终导致模型的表现略差。