传统车削加工采用查找手册或试切法进行工艺参数的选取,该方法不能保证选定的切削参数在不同的环境下加工时都能具有较佳的切削性能,对工艺参数进行优化成为降低车削加工成本的迫切需求。目前对工艺参数优化的研究大多数是求解工艺参数的一个或几个组合,然而这种方法不能充分利用包含大量工艺信息的加工过程数据,不能考虑到不同的机床环境对加工带来的影响,并且无法针对加工过程中的某一段如圆弧、圆锥等非稳态切削形状进行优化。本文针对上述问题,提出了一种应用于车削粗加工的进给速度优化方法,该方法通过工艺参数提取算法获得加工过程中的工艺参数信息,利用加工过程数据建立主轴功率预测模型并对不同加工位置处的进给速度进行优化。在工艺参数提取的研究中,车削加工存在固定循环、复合循环等编程方式,直接进行提取难度很大。而数控系统解释器在对G代码进行译码后生成的加工程序段是由简单小线段组成,对加工程序段的提取计算简便易行,因此提取算法能根据不同的加工属性区分出不同的加工类型实现对各个加工位置工艺参数的自动提取。针对机床环境的影响,本文在相同实验环境下切削得到的加工过程数据为训练测试样本,基于并行式集成神经网络建立车削主轴功率预测模型,在不同的加工环境分别建立不同模型,通过实验验证模型精度满足要求。针对圆弧、圆锥等非稳态切削情况的优化问题,本文以提升加工效率和主轴功率稳定性为目标,提出了一种进给速度优化算法,在不同的加工位置求解最佳进给速度,以NSGA-II算法为基础并对其中的交叉、变异等函数进行了改进,有效的提高了算法的搜索效率。通过实验对本文提出的优化方法进行验证,结果显示以提升加工效率优先或降低功率波动优先时均能达到预期效果。