在电弧增材制造中，工艺参数之间存在复杂相互作用，难以寻找最优参数组合以获得最佳的成形质量与 预期的几何结构。 为了加速工艺参数优化过程，在3因素3水平全因素实验的基础上，明确了电流、送丝速度和扫描速 度对熔道熔宽、熔高和稀释率的影响规律，建立了神经网络、支持向量机和高斯回归分析模型来预测熔宽、熔高和稀释 率。 对比分析表明，高斯过程回归模型对熔宽的预测性能最好，神经网络模型对熔高的预测性能最好，支持向量回归对 稀释率的预测性能最好。 基于这3种机器学习模型，采用多目标遗传算法(NSGA-II)，实现了以熔宽和熔高最大、稀释率 最小为目标的电弧增材制造多目标优化，最后对优化结果进行了实验验证。