在焊缝质量检测中,氢气孔是我们最关心的缺陷类型之一。传统的检测手段费时费力,对设备的要求高。而电弧光谱中蕴含着丰富的物理信息,有希望能与氢气孔建立起本征的联系。目前已有的光谱研究手段很难在保证光谱信息量的同时满足实时处理的要求。因此,本文中通过对电弧光谱的形成分析,提出一种高效的光谱特征提取方法,设计并实现了氢气孔在线检测过程。本文以铝合金GTAW焊接过程中的氢气孔检测为研究背景,在原焊接平台上搭建了电弧光谱在线分析系统,通过多线程并发技术分离各个模块,保证系统的稳定、高效运行。对焊接电弧光谱的形成机理进行了分析,计算了氩等离子体的成分、分析各谱线的强度随温度变化的情况,分析电弧光谱的连续谱的构成。为了能更好地分析弱线谱特征,提出了一个二次逼近的谱分离算法,能在线性时间内有效地分离出特征谱。使用线性特征降维算法进行分析,发现连续谱只用一个主成分就可以表示,而特征谱也有一个主要成分,但剩下的成分不容易分析。提出了一种基于相关系数的特征谱线聚类算法,能够有效将相同原子的谱线分为一类,每一类均可用一个特征量进行表示。这种方法使得弱谱线的信号也能很好地被保留下来。使用其中的七个特征量,分别对应着关键的元素。光谱信号在时域上还受到脉冲的干扰,使用EMD算法进行分解,存在着模态混叠现象,物理意义不明确。使用VMD分解法,信号可以清晰地分解到不同的频率上,其中模态1表示低频信号,模态2-8表示脉冲信号的傅里叶展开。以提取出的七个特征量作为样本属性,分别使用三种机器学习领域常用的分类器算法建立氢气孔的分类器,找出它们的最佳参数。k近邻分类法的最佳参数为近邻数k为5,距离函数为欧几里得函数。决策树分类法的最佳分支数为50,分支判断准则选择基尼系数。支持向量机模型的最佳参数是系数为0.05的高斯核函数。最后,综合本文所有研究内容,给出了氢气孔的在线检测的算法流程,并通过实验验证了算法的预测结果,其中决策树分类器的预测结果要比其他两种好,说明在氢气孔预测上,kNN分类器和SVM分类器很容易过拟合,使用基于规则分支建立的决策树的预测效果更好。通过实验测试算法的运行时间,所有环节总的平均耗时为10.799ms,能满足采样周期为30ms以上的光谱仪的实时性要求。