薄壁件具有强度高、结构紧凑、质量轻、耐腐蚀性强等优点,在电子信息、国防军工、航空航天、汽车制造等领域应用广泛。薄壁件在铣削加工过程中材料去除率高,刀具受切削力影响易发生让刀现象,同时工件刚度低,容易变形,最终导致加工精度降低,因此精确预测实际铣削加工变形是精密机械加工领域亟待解决的工艺难题。本文设计铣削加工实验,采集多源信息,在此基础上提出融合几何特征的变工况切削力预测方法,构建刀具静态变形动力学模型分析铣削参数对刀具变形作用规律,同时分别基于集成思想和深度学习方法提出薄壁件铣削加工工件变形误差预测方法,为提高薄壁件铣削加工精度提供支持。论文主要研究内容总结如下:（1）薄壁件铣削加工刀具变形分析。设计铣削加工实验,采集工艺、主轴振动、切削力等多源机加信息,结合多源信息的数据特性进行不同处理。考虑到加工几何特征和工况不同引起切削力的变化,基于Tr Ada Boost.R2迁移学习算法提出了一种融合工件几何特征的变工况切削力预测方法。结合切削力模型,对刀具静态变形进行动力学建模,分析铣削工艺参数对刀具变形的作用规律。（2）基于Stacking集成学习的铣削加工工件变形误差预测。首先,对多源机械加工过程动态信号提取特征参数,结合静态工艺信息形成铣削加工工件变形误差预测宽表数据。其次,结合粒子群优化PSO算法,基于SVR、RF、XGBoost机器学习算法构建铣削加工工件变形误差预测基模型,进一步结合Stacking集成思想构建铣削加工工件变形误差预测集成模型。（3）基于深度学习的铣削加工工件变形误差预测。针对宽表类型数据信息利用率低的问题,将切削力信号、主轴振动信号进行时间序列分析,将加工几何特征信息、工况信息进行静态数据编码,共同作为模型输入。为更好适应异构信息的不同数据结构,提出基于卷积神经网络的多源异构信息融合网络,建立铣削加工工件变形误差预测模型。基于以上研究内容,通过铣削加工实验采集的多源信息,验证各方法的有效性与适用性。