在航空航天领域,中大尺寸铝合金构件的电弧增材制造质量控制至关重要,如何高效、准确地完成质量检测一直是研究的重点。光谱作为电弧等离子体伴生现象之一,包含丰富的电弧信息,与成形质量相关。因此,本文以电弧等离子体为主要研究对象,探索增材制造中电弧光谱及图像的变化规律,分析光谱与成形质量的内在联系。并在此基础上,利用机器学习算法分别建立缺陷识别模型和成形尺寸预测模型。首先,利用自主设计的光谱同步采集装置,在机器人增材平台上搭建了电弧光谱及图像采集系统。设计并进行了以5A06为基板材料、5356焊丝为填充金属的铝合金增材工艺探索试验,绘制了成形工艺窗口,并分析了直壁件高度不一致的原因并提出了优化方案。结果发现,首层工艺参数在沉积电流大于120A、移动速度小于0.5 m/min时,可以获得良好成形形貌。其次,选择ArⅠ727.29 nm、MgⅠ517.26 nm、HⅠ656.27 nm三条谱线,探究不同工艺参数下增材制造全过程的光谱变化规律。对电弧图像的研究发现,电弧形貌受沉积电流、沉积位置影响,且随交流电流变化而周期性波动。在分析电弧光谱与成形质量的相关性时,发现MgⅠ谱线对成形缺陷（高度不一致）最敏感,不同缺陷的光谱表达形式不同。通过人为引入污染探索了铝合金增材过程中气孔的产生规律,发现独特的倒V型电弧形貌降低了铝合金对气孔的敏感性。最后,以全部光谱为样本数据,成形缺陷、成形宽度为标签,分别建立了用于缺陷诊断的分类模型和成形宽度预测模型,并比较了K近邻、深层神经网络和卷积神经网络模型的优劣。分类模型对送丝异常、成形高度降低、正常增材制造状态的分类准确率达97%以上。而有无气孔缺陷的分类准确率最优仅为80%。成形宽度预测模型的拟合优度R~2达0.95以上,最优模型的宽度误差在0.2 mm以内。在完成训练的模型中,单个样本的预测耗时控制在1 ms左右。