L'additive manufacturing metallico è tra le tecniche produttive più promettenti. Tuttavia, la definizione dei parametri di processo e il controllo in-process restano sfide cruciali su cui la comunità scientifica è attivamente impegnata. Questa tesi si concentra sul superamento di tali difficoltà mediante l'applicazione di tecniche avanzate di machine learning al processo di Laser Powder Bed Fusion (LPBF). Gli strumenti software sviluppati permettono, da un lato, di rilevare anomalie di processo attraverso l'analisi di dati acquisiti da sensori di monitoraggio e, dall'altro, di ottimizzare i parametri operativi mediante modelli surrogati capaci di prevedere la geometria della pozza di fusione. A tal fine sono stati impiegati modelli di apprendimento supervisionato e non supervisionato, tra cui random forest, reti neurali LSTM e autoencoder variazionali.