加工尺寸的预报建模是进行机械加工质量在线监控的必要条件，也是实现加工误差预报补偿控制的关键技术。因此，不断探索具有高精度和高速度、适用于现场应用的新型预报建模技术是非常必要的。 本文从机械加工过程的动态特征出发，对几种常用的加工尺寸预报模型的适用性进行了深入分析，在此基础上提出了三种适用于不同应用场合的加工尺寸在线建模预报方法。 针对灰色GM(1，1)模型对尺寸序列随机项反映不灵敏，预报精度不足的问题，根据灰色模型建模原理，重点分析了模型维数和背景值对改善GM(1，1)模型预报精度的作用，通过引入背景值参数，给出了GM(1，1)模型背景值的一般表达式。在此基础上，提出了GM(1，1)模型的优化问题，建立了以平均绝对预报误差最小为目标的GM(1，1)模型维数与背景值参数的优化模型，并根据该优化问题的特点，采用遗传算法实现模型维数与背景值参数的优化。用Matlab编制了相应的软件。 为进一步提高GM(1，1)模型的预报精度，研究了GM(1，1)模型残差修正算法。通过分析GM(1，1)模型残差序列的动态特征，根据时间序列组合预报的建模理论，提出了一种基于灰色模型与时间序列模型的GM(1，1)-AR组合预报模型，其中用GM(1，1)模型对加工尺寸进行等维递补动态预报，用离线建立的AR模型对GM(1，1)模型残差进行在线预报和修正。 研究了基于神经网络的加工尺寸非线性预报建模问题。针对神经网络对尺寸序列趋势项反应不灵敏的问题，提出了一种基于神经网络与GM(1，1)模型的GM(1，1)-ANN组合预报模型，利用神经网络对GM(1，1)模型残差进行非线性预报和修正，以进一步提高组合模型的适用性。 采用遗传算法对神经网络连接权进行了离线优化。为提高遗传算法的收敛速度，采用了实数编码法、正态变异算子、稳态遗传算法，改进了期望值选择法，提出一种匹配群体规模可变的选择策略。用BC编制了相应的软件。 在数控车床上连续加工了一批试件，利用试件外圆车削尺寸的实测数据，对提出的三种建模方法进行了应用分析。根据实验结果，GM＊＊）优化模型与标准GM＊＊）模型相比，模型误差减小3 0％以上，GM＊＊卜ANN与GM （卜AR组合模型与标准GM＊＊）模型相比，其模型误差均减小50％以上，表明三种预报模型均具有较高的精度。 在保持 GM＊＊）模型快速建模性能的前提下，通过优化、组合提出了三种用于机械加工尺寸在线建模的新型预报模型。根据其相应的建模机理，GM＊万优化模型适用于一般加工过程的尺寸序列预报建模，两种组合预报模型适用于具有强随机干扰下的加工尺寸预报建模，其中GM＊，l卜ANN组合模型也是对复杂非线性加工过程进行质量监控的一种有效方法。此外，本文的研究结果对其它领域的预报建模问题亦有借鉴意义。