碳纤维增强聚合物复合材料（CFRP）因其轻质高强、耐热减振等优点被广泛应用于航空领域,其构件多采用近净成型制造,需要二次加工来保证零件的服役性能。机器人磨抛凭借其高灵活、低污染等特点,正逐渐成为CFRP磨削的新方式。然而由于CFRP价格高昂、类型多样等问题,基于数据驱动的加工质量预测方案受限于样本信息稀缺,难以保证泛化性能。因此,本文针对CFRP机器人砂带磨抛样本信息稀缺问题,开展了材料去除廓形、表面粗糙度预测与工艺参数优化三方面研究:（1）提出了一种基于PK-Bayesian的材料去除廓形预测方法。以Archard磨损方程与赫兹接触为基础建立了磨抛廓形的广义规则,并通过先验化、后验概率最大化将样本数据在广义规则约束下转化为材料去除廓形的后验回归模型,建立了融合CFRP磨抛机理与样本数据的廓形映射模型,解决了样本获取难、成本高、噪音干扰大等引起的泛化性能弱化等问题。（2）提出了一种基于MTD-XGBoost的表面粗糙度预测方法。针对训练样本数量不足与分布不均匀问题,基于大趋势扩散技术挖掘样本潜在扩散信息与整体信息,结合理论扩散与参数物理边界生成上扩散域、实域、下扩散域的虚拟样本。并进一步将其用于极端梯度提升算法建立了从基础工艺参数到磨抛表面粗糙度的映射关系,实现了极小样本下的表面粗糙度预测。（3）建立了一种基于改进遗传算法的工艺参数优化模型,开发了集成工艺建模、参数优化、数据采集的参数自学习软件。将映射模型结构特点与基因编码、初始种群融合,结合交叉变异概率动态优化,降低了目标参数的搜索时间;进一步基于质量评估、模型匹配等技术动态跟踪加工过程,结合动态数据库实现了以加工质量、效率为需求的工艺参数智能优化。实验结果表明所提方法能够解决传统工艺参数优化数据成本高、可靠性差、难以应对加工环境多变等问题,在小于15个的极小样本下实现高于90%的加工质量预测,工艺参数搜索时间缩短至0.04s。