激光熔覆技术在车辆机械零部件如汽缸、活塞、曲轴、传动轴和凸轮轴等的表面处理领域得到广泛地应用。而研究激光熔覆的熔池热传导-熔凝过程对激光熔覆性能提升有重要意义,由于熔池内物理过程复杂、温度梯度极大,采用物理场耦合研究方法建立熔池温度场的模型,探究激光熔覆的热传导-熔凝过程,尚存在极大的挑战。因此,针对激光熔覆过程中熔池温度场难测量、难模拟的问题,本文借鉴深度学习在模型构建方面的应用,以激光熔覆熔池的温度场模型为研究对象,研究激光熔覆温度场各物理场耦合机制,深入研究基于深度学习的熔池温度场模拟建模方法,实现对熔池温度场的预判;探寻深度胶囊神经网络对仿真模型分析过程中的运行机理,完善深度胶囊神经网络在仿真模型分析中的理论框架;在实际激光熔覆及工艺实验的基础上,提出基于深度学习的仿真模型建模方法的可行性验证方法。具体研究内容包括:（1）提出基于深度学习的激光熔覆熔池温度分布预测模型的建模方法。首先介绍基于深度学习的激光熔覆熔池温度分布预测模型建模方法的核心思想,其次构建基于生成对抗胶囊神经网络的激光熔覆熔池温度分布预测模型框架,最后将上述预测模型建模方法整体思路中每个部分进行简要叙述。（2）运用有限元分析的方法,建立激光熔覆熔池温度分布模拟模型,以获取深度学习模型数据集。研究激光熔覆熔池温度场各物理场耦合机制,综合熔池内基于高斯热源的温度场、辐射场和对流场耦合模型,运用COMSOL Multiphysics软件进行熔池温度场建模。（3）分析激光熔覆熔池温度分布特征,建立深度学习模型的样本及测试数据集。研究工艺数据的合理设置以及激光熔覆熔池温度分布样本图像的获取方法,获取大量仿真实验数据,提取不同功率、不同时间下激光熔覆熔池温度分布的图像样本,建立用于深度神经网络预测模型训练的样本集。（4）构建基于生成对抗胶囊网络的熔池温度分布预测模型。研究深度胶囊神经网络在仿真模型分析中的运用机理,结合胶囊神经网络和生成对抗网络,搭建基于胶囊网络的深度生成对抗网络模型架构,设计基于生成对抗胶囊网络的熔池温度分布预测模型并进行训练。（5）在激光熔覆及工艺实验的基础上进行预测模型的实验验证。进行激光熔覆及工艺实验,通过熔覆层的组织硬度测试,从侧面分析熔池的温度分布并与熔池温度分布预测模型结果进行对比,最终实现对基于深度学习的激光熔覆熔池温度分布预测模型建模方法可行性的验证。