表面粗糙度不仅是一个用于表面质量控制的参数，也是一个用于监控加工过程的参数。为寻求最佳切削参数以控制表面粗糙度，人们越来越希望以较少的实验建立精度较高的表面粗糙度预测模型，从而摆脱传统上依靠经验公式或查阅手册来确定加工参数的被动局面，并在实际加工前得到最佳的加工方案。　　数据挖掘方法的提出使这一工作成为可能，其任务就是从大量数据中获取隐藏于其中的知识。我们可以根据历史加工数据利用数据挖掘技术来提取切削参数和表面粗糙度之间的制约关系，建立一个数控加工表面粗糙度的预测模型，从而摆脱因为影响因素过多而无法对表面粗糙度进行准确预测的困境。同时，人们模仿生物的遗传和进化机制，提出了遗传算法，遗传算法是一种宏观意义上的仿生算法。由于具有鲜明的生物特征和适用于任意函数的特点，遗传算法的应用非常广泛，已经在很多领域发挥了重要作用。对遗传算法的研究具有重要意义，它已经成为数据挖掘技术中一种非常重要的方法。　　本文将遗传算法应用在超精密加工表面粗糙度预测研究方面。此方法利用遗传算法的演化计算机编程的方法来自动建立一种动态非线性数学模型进行数据挖掘，并进行车削超精密加工中表面粗糙度的预测和回归曲线拟合，改变过去那种只使用拟合粗糙及预测结果准确度差的传统预测模型进行曲线拟合和趋势预测的分析方法。在数据实验中，使用遗传算法演化计算机编程的方法自动生成的演化模型对一些真实的历史资料进行了曲线拟合和发展趋势预测以及对前馈和后馈误差进行了深入分析，结果表明，使用该方法建立的演化模型要比传统的线性回归数学模型所预测的数据准确度高很多，而且拟合曲线的前馈标准差和预测后馈标准差也明显要小。