由于工程陶瓷高脆性、低断裂韧性的特点,在加工时极易使工件表面出现损伤、裂痕,甚至发生脆性断裂。超声磨削属于复合加工技术的一种,一定程度上提高了工程陶瓷的表面质量。此外,支持向量机作为一种机器学习方法,能够很好地解决小样本、非线性、高维度等问题。在充分吸收现有研究成果的基础上,本文提出了一种智能算法优化支持向量机的预测模型,并有效的预测超声磨削工程陶瓷磨削力及表面粗糙度。首先,测试声学系统振动性能,对系统性能进行分析,搭建试验平台,进行超声磨削Al₂O₃陶瓷试验,研究超声振幅、磨削深度、砂轮转速、工作台速度四种工艺参数对Al₂O₃陶瓷磨削力、表面粗糙度的影响规律。其次,基于参数仿真试验对粒子群算法的惯性权重、学习因子、随机方案进行优化,提出一种自适应粒子群算法,并通过自适应粒子群算法优化回归支持向量机,建立APSO-SVM模型;分析支持向量机核函数特性,建立RBF核函数与多项式核函数线性组合的混合核函数,改进人工免疫系统的选择算子与变异算子,并将自适应粒子群算法与改进的人工免疫系统进行并联混编,提出一种新的人工免疫系统粒子群算法,并通过人工免疫系统粒子群算法优化具有混合核函数的回归支持向量机,建立AISPSO-SVM模型。最后,基于试验数据,综合考虑四种工艺参数,建立切向磨削力、法向磨削力及表面粗糙度三种预测模型,并对其有效性进行验证,发现AISPSO-SVM模型预测能力及稳定性表现良好,能够较好的阐述切向磨削力、法向磨削力及表面粗糙度与工艺参数之间的关系。