表面粗糙度是产品质量的主要指标之一，它显著地影响机械部件的性能和加工成本。表面粗糙度不仅影响机械性能，如疲劳性能、蠕变寿命和耐腐蚀等，也影响其他方面的功能特性，如磨损、摩擦、传热、光的反射、润滑性、导电性等。铣削加工中，机器能转换成刀具切削刃附近的热能使切削温度升高。高的切削温度将会加剧刀具磨损，同时劣化工件质量。急剧温升会影响工件材料的性质，如残余应力的分布，同时急剧升温可能会在加工表面产生薄硬化层。　　近年来，表面质量和切削温度的预测在制造中扮演了重要的角色。然而，由于加工操作的随机性、动态性、复杂性以及其它因素，对输入和输出变量之间关系建立精确的数学模型是非常困难的。　　为了尽量实现这一目标，本文开展了四部分研究工作。第一部分研究切削参数对表面粗糙度的影响。采用神经网络和自适应神经模糊推理系统来预测表面粗糙度，其中，智能预测模型采用显著切削参数作为输入，以预测的表面粗糙度作为输出。第二部分，采用有限元法（FEM）来预测切削区域中的温度分布。第三部分，先根据田口实验设计方法进行实验设计并获得实验数据，再采用将粒子群优化和遗传算法与自适应神经模糊推理系统（PSOANFIS-GIANFIS）相结合的方法来优选最佳切削参数，并使用ANFIS模型作为目标函数。第四部分，研究了预热加工对表面粗糙度和切削温度的影响，提出了切削过程参数的自适应控制，在恒定去除率条件下达到期望表面粗糙度值，该系统的控制策略是基于自适应神经模糊推理系统（ANFIS）控制预热工件温度来达到的。　　研究工作是基于实验研究和田口方法来实现这一目标。采用了正交阵列和方差分析（ANOVA）研究加工变量对切削温度（Tc）和表面粗糙度（Ra）综合影响，采用回归分析来研究加工变量对性能测度的影响。将采用人工神经网络得到的预测表面粗糙度值与实验数据进行了比较。对比表明，采用反向传播的神经网络方法，取得了非常满意的精度，预测精度高达98％。　　另一方面，为了了解质量和生产效率之间的关系，需要采用一种优化技术的来提供最优加工参数，以实现最佳的表面质量以及最低切削温度。该优化问题可在各种约束限制下求解，通过采用一种有效的自适应神经模糊推理和田口方法实现求解。结果表明，在加工过程的参数优化中，混合的GA-ANFIS方法是一种有效的方法。　　本文还提出了一种加工过程在位刀具磨损自适应控制方法。该方法采用自适应神经模糊推理系统来建立自适应控制系统。两个子系统的整合形成了基于自适应神经模糊推理的刀具寿命自适应控制系统。测试运行自适应控制的完美成功率证明了被提出的系统可实现切削加工过程中自适应控制刀具寿命。