先进制造业已成为国际竞争的制高点,以激光焊接为代表的激光加工技术,可以减轻构件的重量、降低制造成本和提高生产效率,在航空航天、船舶和汽车等领域中受到了广泛的关注。然而,激光焊接过程中热量的高度集中使得焊接接头附近的材料力学性能弱化,并不可避免地导致焊接变形和残余应力,因而降低了焊接结构的承载性能。因此,快速准确地识别热源参数和材料参数,发展焊接变形和残余应力的快速预测方法,继而对焊接结构的承载能力进行高精度预测,一直是焊接结构的变形预测与控制、安全评估与校核中所关注的关键问题。目前,机器学习加快了与各个科学工程领域的交叉融合,为上述问题的解决开辟了新的途径。将机器学习与焊接力学问题相结合,本文开展了热源参数与材料参数识别、焊接变形与极限载荷预测的研究,旨在为实际焊接力学问题提供新的解决方案,主要研究内容如下:（1）为了快速准确地识别热源参数,基于卷积神经网络建立了从焊缝形貌图像中识别热源参数的深度学习模型HSPINet。采用数值模拟生成的不同热源参数下的焊缝形貌训练HSPINet模型,使其能够自动提取受热源参数影响的焊缝熔合线等图像特征,然后分析了此模型的特征提取模式。将HSPINet模型用于激光对接接头的热源参数识别,不仅获得了与有限元模型更新法相当的识别精度,而且识别效率得到了显著的提高,从而验证了HSPINet模型的可行性与有效性。（2）提出了一种基于等效热源参数通过热-力分析预测低温相变材料力学场的方法,避免了低效不成熟的热-冶金-力分析和难以获取的固态相变参数所带来的数值求解困难和精度损失。基于响应面法,将热源参数作为输入变量,并将数值结果与试验结果之间的标准误差作为响应值,给出了等效热源参数的反演方法。将此方法应用到T型焊接接头的等效热源参数识别中,进而通过优化焊接顺序降低了工字梁的焊接变形和残余应力。（3）基于固有变形法的焊接变形预测需要提前获取焊接接头的固有变形,为此,将固有变形法与复合形法结合,建立了反演固有变形的数学优化模型,提出了一种新的固有变形杂交反演方法。采用此方法反演了对接接头的固有变形,并通过对比固有变形法和热弹塑性法的数值结果,验证了所提出方法的有效性,其中热弹塑性模型的有效性通过对接平板的焊接变形和残余应力的试验结果加以验证。此外,还研究了预测精度对固有变形的敏感度。（4）结合固有变形方法,提出了一种基于人工神经网络预测焊接变形的机器学习方法,并以对接平板为例对所提出方法的有效性进行了验证。通过无量纲分析和数值结果对比提出并验证了单位变形与结构尺寸的无关性,并将单位变形作为人工神经网络的输出,使得搭建的人工神经网络可以适用于各种尺寸的对接平板的焊接变形预测。人工神经网络的预测结果与经试验验证的有限元模型的数值结果吻合较好。此方法避免了有限元建模过程和施加固有变形的困难,具有高效、准确和适用性强等优点。（5）基于卷积神经网络和改进的长短时记忆网络,建立了具有去噪功能的深度学习模型CPINet,用于快速、准确地识别与加载路径相关的本构模型参数,并以各向同性强化的弹塑性模型为例对其进行了阐述和验证。通过对比从有/无高斯噪声的应变场中提取的应变特征,分析了CPINet模型的抗噪声能力及去噪机理。通过对比CPINet模型和基于粒子群算法的有限元模型更新法识别的6061铝合金的本构参数,验证了CPINet模型的有效性。采用由不同训练参数和卷积神经网络结构参数获得的CPINet模型识别了6061铝合金的本构参数,结果对比表明,在确定合适的网络结构参数后,CPINet模型具有良好的鲁棒性。（6）基于试验、机器学习方法和有限元精细分析模型对激光焊接铝锂合金加筋板的横向极限载荷进行了研究。通过结合了数字图像相关技术和电测的拉伸试验,测试了加筋板的极限载荷、破坏模式和应变演化过程。通过灵敏度分析确定了对加筋板极限载荷有较大影响的参数,将这些参数作为输入建立了可以高效方便地预测不同尺寸和材料参数加筋板的极限载荷的机器学习模型。进而针对忽略初始缺陷（焊接变形和残余应力）将导致预测结果偏大的问题,建立了考虑材料非线性、几何非线性、韧性损伤和初始缺陷的有限元精细分析模型来精确模拟焊接加筋板的极限载荷和破坏模式,并研究了初始缺陷对二者的影响。本研究拓展了机器学习方法在焊接力学和参数识别领域的应用,丰富并改进了焊接变形和极限载荷预测以及参数识别的手段,为解决该领域中存在的关键力学问题提供了新的思路。