数控机床是现代制造业中的重要加工设备,切削力信号能够有效反映机床的实时加工状态,在提升机床智能化监控水平和加工参数优化等方面具有重要的意义。目前切削力的直接测量方案在应用中存在较多限制,难以在实际生产中进行推广应用。为此,本文对铣削加工过程中铣削力间接测量方法进行了研究。具体工作如下:针对现有切削力预测模型抗干扰能力不强,预测精度不高的问题,从模型输入特征和铣削力建模方法出发,提出了基于多信号融合的深度神经网络建模方法。围绕铣削过程中信号响应的非线性问题,从信号的响应机理出发,研究了信号在机械系统中的传递过程,得到了各加工信号理论上的成分构成以及与切削负载的关联特性,并搭建了铣削加工实验平台进行相关研究。加工过程感知的信号中噪声干扰会严重影响铣削力模型的预测精度,针对这个问题开展了对信号的预处理方法的研究。通过对原始信号时频域特性的分析,标定了信号中的噪声扰动成分,利用小波包分解、零均值化、互相关分析等处理方式提升信号信噪比,增强信号间的实时对应效果。最后,利用堆叠稀疏自编码深度网络（SSAE）进行了铣削力间接测量模型的建模。分析了网络结构和参数对模型训练效果的影响,调试优化后提升了模型的预测效果。开展了多信号与单一信号特征构建的模型效果对比,证明了多输入融合特征能够对铣削力信号进行更好的表征。