斜楔零件是汽车覆盖件冲压模具中的一种重要组成结构,主要采用数控加工的方式完成零件的加工。目前企业多以交互式图形编程方法编制斜楔零件的数控加工程序,该方法繁琐、易出错、效率低且过分依赖于人工经验,极大地影响了模具的制造加工效率,增加了模具交付周期及制造成本。因此,亟需研究开发一种更为高效和智能的数控编程系统。论文在深入分析了斜楔零件结构及数控工艺流程后,总结了斜楔零件的结构和数控工艺特点,提出了一种制造特征核心平面的概念。在此基础上,对现有各种智能数控编程关键技术进行了研究总结,针对目前智能数控编程系统在制造特征识别、加工边界抽取两类关键技术中存在的难题,提出了一种结合机器学习方法与二维图像处理技术的全新解决思路。针对制造特征识别问题,论文提出了两种制造特征识别算法:基于核心平面Brep关键信息的制造特征识别算法和基于卷积神经网络的制造特征识别算法,实验研究表明两种算法均在斜楔零件上取得了较高的识别准确率。其中第一种算法通过大量的推理规则识别制造特征,导致算法在通用性上存在着缺陷;为此,第二种算法通过引入机器学习理论成果,采用监督式学习方法学习获得制造特征识别能力,该算法在保持极高识别准确率的前提下在通用性上取得了较大的突破。针对加工边界抽取问题,论文针对两类制造特征加工边界形成特点,分别提出了一种基于核心平面面环的加工边界抽取算法以及基于二维图像骨架的加工边界抽取算法。第一种算法通过遍历制造特征核心平面的面环计算加工边界,主要应用于加工边界由制造特征组成面的边形成的情形;第二种算法将制造特征投影到二维平面,通过骨架提取算法获取单像素宽度的像素曲线,最后将像素曲线投影至三维空间得到加工边界,该算法主要应用于加工边界由制造特征中心线形成的情形。实验表明,两种算法在相互配合下可以有效提高加工边界的抽取效率及准确度。论文基于NX/OpenAPI及TensorFlow机器学习平台,在Siemens NX10.0上开发了一个智能数控编程系统。以企业典型的斜楔零件为测试案例,验证了该系统的可行性与可用性。