焊缝熔宽是评估焊接质量和焊接稳定性的重要指标。针对强噪声环境下的激光-MIG复合焊接过程，本文研究了基于反向传播(BP)神经网络补偿色噪声卡尔曼滤波算法的熔宽检测方法。首先建立激光-MIG复合焊缝熔宽检测系统的状态方程和测量方程，通过视觉传感和色噪声卡尔曼滤波算法对焊缝熔宽进行估计；然后采用高精度激光扫描仪对焊缝的三维轮廓进行扫描，根据二阶差分法获得焊缝轮廓宽度，并将其作为熔宽的真实值；接着将卡尔曼滤波增益、新息值和预测值与卡尔曼滤波最优估计之差作为输入，利用BP神经网络对熔宽的卡尔曼滤波最优估计进行补偿。结果表明：BP神经网络补偿测量色噪声卡尔曼滤波算法能够有效降低焊缝熔宽检测的误差。与单独使用卡尔曼滤波算法相比，BP神经网络补偿卡尔曼滤波算法具有更好的非线性映射能力，可以提高卡尔曼滤波焊缝熔宽检测的准确度。

提出了通过视觉传感获取焊接过程中的焊接特征信息并利用神经网络模型预测焊缝背面宽度的方法。利用大功率盘形激光器焊接了低碳钢SS400焊件, 在焊接过程中改变焊接功率、焊接速度和焊接路径, 并利用两台高速摄像机同步获取焊件正面和侧面出现的焊接特征信息。对获取的图像进行色彩空间转换、分层、滤波去噪和空域图像处理, 提取飞溅、熔池和金属蒸气等焊接特征信息, 观察焊接路径对各个特征的影响。最后, 建立了一个三层的LMBP (Levenberg-Marquardt Back Propagation) 神经网络模型, 将提取的特征信息作为输入量, 预测焊缝的背面宽度。结果显示: 当熔透不稳定或出现未熔透状态时, LMBP神经网络拟合度大于0.83, 最大训练误差均值为0.002 8 mm, 最大实际误差均值为0.225 6 mm。试验结果表明所建立的预测模型具有良好的准确性和稳定性。