在机械加工中,表面粗糙度是衡量已加工表面质量的重要指标之一。如何确定合理的切削用量以控制表面粗糙度备受关注,对其展开研究不仅具有很强的现实意义,也具有一定的理论意义。本文首先对切削加工工件表面粗糙度预测的研究现状进行了分类梳理,在表面粗糙度的形成机理分析和基于理论公式的粗糙度预测讨论基础上,提出并建立了基于人工神经网络的表面粗糙度预测模型。预测模型采用三层前馈型的径向基函数(RBF)神经网络;网络训练第一阶段采用聚类方法确定径向基函数的中心,第二阶段采用最小方差法(LMS)确定隐层与输出层之间的连接权值。第二,将建立的基于RBF神经网络预测模型应用于超精密车削加工的表面粗糙度预测。利用Matlab软件编制神经网络运行程序,选择若干组实验数据作为训练样本,通过测试样本对训练后的神经网络预测精度进行检测,结果表明了基于RBF神经网络预测模型的有效性。通过该预测模型研究了表面粗糙度随切削速度、背吃刀量等切削参数的变化规律。第三,以超精密车削加工为研究对象,进一步开展了基于遗传算法的车削加工参数优化研究。在表面粗糙度为目标函数的建立中,由于理论粗糙度公式精度低,本文采用切削用量与粗糙度的指数关系形式,并应用遗传算法对参数进行辨识。优化实例实现了在保证工件表面质量的前提下提高加工效率的目的。