在选择性激光熔化（SLM）中，激光工艺参数显著影响成形零件的质量。然而，目前的工艺优化路径大多是基于激光能量密度经验公式的盲摸工艺试验，难以充分反映影响成形件质量的诸多环境因素。此外，SLM的熔池不稳定和激光不连续照射时有发生，因此，迫切需要开发制造过程中工艺参数的在线动态控制和质量监控技术，以确保制造过程的可靠性和成形件质量的稳定性。通过声发射信号处理和神经网络算法，对不同激光工艺参数下焊道成形过程的声发射信号进行了分类和预测。在降噪模块中，为了确定经验模式分解的分解层数，并将其作为神经网络的输入神经元个数，提出了一种基于序列相关和反双曲正切函数的直观评价方法。在分类预测模块中，比较了基于经验模态分解和小波包变换的两种声信号特征提取方法设计的神经网络的性能。结果表明，神经网络模型对不同激光参数产生的声发射信号进行分类和预测是可行的，可以直接指导SLM工艺参数的在线调整和优化，为SLM工艺成形质量在线监测系统奠定理论和方法学基础。