激光点焊具有高精度、高柔性等众多优点使其在实际生产,特别是在航空工业的应用中有望取代传统的电阻点焊技术。由于焊点质量的影响因素众多,实际生产中仅控制其常规工艺参数是不能对焊接质量进行完全的控制的。因此,为了保证激光点焊的质量并充分发挥其高速高效的优势,加快其实用化进程,对激光点焊质量监测技术的研究十分必要。本文以1mm厚低碳钢板为试验材料,建立CCD视觉传感系统和红外测温系统,分别获取了激光点焊过程的熔池动态信息和焊点表面的温度场信息,并对这两种信息特征与焊点形成过程之间的关系进行了深入的分析。为了提高监测模型的适用度和泛化能力,本文设计了建模所需的样本数据空间,其中包含了标准规范和多种干扰因素。通过分析两种传感器的输出信息对各组样本数据的响应情况表明:两种信号对标准规范的响应均较为灵敏,两种信号对干扰因素的反映存在一定的差别。提取了反映熔池和温度信息的特征量为熔池扩展曲线面积、最大焊点直径、峰值温度和冷却时间。运用线性回归分析技术建立了特征量与焊点质量参数之间的一元和多元回归模型。结果表明:(1)各种回归模型的总体线性关系经统计检验均为高度显著,说明四个特征量与焊点质量参数存在相关关系。(2)一元回归的决定系数较多元回归的决定系数小,说明发展多信息传感技术是提高焊点质量预测能力的有效途径。为了更好的反映点焊过程中的监测信号与焊点熔合面直径之间的复杂关系,本文采用了非线性关系能力较强的神经元网络技术。建立了监测信号特征量与焊点熔合面直径之间的BP神经网络模型。通过仿真验证,网络的平均误差为0.183。针对BP神经网络易陷入局部最优、收敛速度慢的缺点,使用遗传算法优化BP网络的权值和阈值。利用验证样本进行网络模型的检验,得到的平均误差为0.023。经过遗传算法优化之后,BP网络预测精度非常高,BP网络的训练时间大大降低。