选区激光熔化（Selective Laser Melting,SLM）作为一种典型的增材制造技术,具有开发时间短,无需模具和夹具,能够实现形状或内部特征复杂的零件加工等优点,选区激光熔化可以对金属、陶瓷、复合材料等多种金属进行加工,并且允许同时生产多个零件,因此已受到科研人员的广泛关注。但由于SLM成形过程中剧烈的温度变化、熔池内流体流动不稳定及粉末排布稀疏等因素,容易导致未熔合孔洞,气孔,刮板干涉等缺陷,从而影响零件的表面完整性、使用寿命及性能。传统的工艺参数优化方法往往只能在宏观上减少缺陷的产生,而SLM加工过程是一个多种物理场相互耦合、高度动态的复杂过程,铺粉状态、保护气氛、环境温度等多种不可控因素都会对熔池形貌及温度产生影响,单纯的调整激光工艺参数难以控制随机缺陷的产生。因此,本研究开展了选区激光熔化过程的随机缺陷预测,通过搭建基于深度学习的缺陷预测模型,建立熔池特征与工件缺陷的关系,实现缺陷预测。本文的主要研究内容概括如下:（1）开展不锈钢选区激光熔化实验,获取熔池红外图像,分析熔池图像与工件缺陷的关联性,并根据其对应的工件缺陷对图像上标签,建立熔池红外图像数据集;（2）搭建基于VGG16,Res Net50基础网络的缺陷预测模型,自动提取最优特征,实现SLM过程端到端的缺陷预测,并对两个模型的收敛速率和缺陷预测准确率进行比较;（3）采用CFD仿真获取熔池仿真图像,分析SLM过程工艺参数、工件缺陷与熔池特征之间的关联性,说明缺陷预测研究的合理性。对获得的熔池红外图像和熔池仿真图像进行预处理和标记,建立SLM缺陷预测数据集;（4）针对单一的实验数据造成的特征差异性不足,缺陷表达不明确,以及神经网络方法缺乏一定的物理背景,建立物理驱动缺陷预测模型实现选区激光熔化的缺陷预测,融合熔池仿真图像和熔池红外图像的特征,提高神经网络模型的预测准确率。（5）针对CFD仿真过程计算量大、预测效率低的问题,设计搭建物理监督缺陷预测模型,通过获得熔池物理特征,并与熔池红外特征融合,实现了基于物理的缺陷分类的快速预测。