数控机床是制造业的“工作母机”,代表了国家的核心制造能力。随着制造需求的不断复杂化,越来越多的数控加工任务需要通过调整工艺参数权衡多个目标间的关系。为此诸多学者将多目标优化算法引入数控加工领域,以此探寻最优加工方案。但现有依据经验公式的评价函数大多难以准确、快速的建立起工艺参数与优化目标间的映射关系;而且大多方案并未将加工约束的动态变化考虑在内,不能根据加工状况的改变制定相应的调整策略,限制了数控加工多目标优化方案的实施。近年来随着制造大数据时代的来临,数控加工数据不断积累与完善,数据中的潜在信息被挖掘使用。将历史加工数据融入人工神经网络,可建立起加工参数与加工目标间复杂的非线性映射关系;另外场景感知(Context Awareness)技术可通过对相关数据的采集、建模、存储、挖掘为人员提供动态约束变化情况及调整策略。因此本文以多目标优化算法为基础,基于人工神经网络与场景感知技术,研究动态数控加工场景下的多目标优化方法,实现数控加工参数的准确、快速寻优。本文首先根据数控加工多目标优化任务的需求,进行数控加工工艺参数多目标优化整体框架设计,通过场景感知模块、加工参数-多目标映射模块、多目标优化与决策模块三个部分的协调作用实现多目标寻优。随后对数控加工场景感知方案进行设计,其中感知模型用于剖析加工任务、表示结构化数据、指导相关感知算法运行、根据约束变化生成/调整加工方案,在模型的指导下进行数据组织与数据管理,三者协调实现了数控加工场景中各参数动态约束关系的准确描述与动态映射,并且为神经网络模型的训练提供稳定的数据基础。接着进行了数控加工工艺参数-多目标映射策略的设计,首先根据数控加工数据的特点选择BP神经网络实现映射,并针对BP神经网络的不足设计了部分梯度下降及自适应学习速率方法,解决了评价函数建模困难、预测精度差的问题。在上述基础上进行数控加工工艺参数的多目标优化与决策算法设计,通过差分进化算法与TOPSIS算法结合进行非支配解集的获取与决策。针对差分进化算法固定参数的问题,设计了动态变异参数与自适应交叉参数,实现了全局非支配解集的快速生成。提出了决策算法的降维方法与相近解的筛选方法,实现了最优解的筛选。最后通过公开数据集及实际采集的数控加工数据进行实验验证,证明了本文所设计方法的有效性。