深度学习网络可以应用于超低温加工零件表面粗糙度智能预测领域。然而输入深度学习网络的表面粗糙度样本数据存在类别不平衡、数据分布复杂的问题,且深度学习网络本身存在搭建困难、训练时间长的弊端,这些问题增加了深度学习网络模型对超低温加工零件表面粗糙度的预测难度。为此,本文开展了超低温加工零件表面粗糙度智能预测技术研究,采用传感器信号采集系统收集加工过程中的振动信号作为深度学习网络模型的输入样本,提出基于改进的生成对抗网络（Coral GAN）的零件表面粗糙度样本数据集增强方法,建立基于深度学习的常用加工条件下零件表面粗糙度预测模型,设计基于迁移学习的超低温加工零件表面粗糙度预测框架,最终实现超低温加工零件表面粗糙度的智能预测。首先,介绍了表面粗糙度的定义、评定表面粗糙度时参数的选用,从几何和物理两方面阐述了零件表面粗糙度的影响因素,分析了工艺系统的振动和表面粗糙度之间的关系,并确定振动信号作为深度学习网络模型的输入样本。其次,针对超低温加工零件表面粗糙度样本数据存在的问题以及传统生成对抗网络的弊端,对生成对抗网络进行改进,通过Deep Coral函数辅助优化生成对抗网络中生成器的网络参数来提高生成对抗网络学习复杂的样本数据能力。利用改进的GAN（Coral GAN）网络模型对超低温加工零件表面粗糙度样本数据进行生成,达到增强样本数据集的目的。然后,针对深度学习网络建立时存在的问题,提出基于迁移学习的超低温加工零件表面粗糙度预测框架。基于深度自编码器网络建立常用加工条件下的零件表面粗糙度预测模型,采用模型参数迁移的方法将已训练好的深度自编码器网络结构和参数迁移超低温加工条件下,对超低温加工采集的零件表面粗糙度样本数据进行特征提取,最后利用带标签微调的方法实现对零件表面粗糙度准确预测。最后,设计常用切削液的铣削加工实验和超低温冷却铣削加工实验。采集加工过程中的振动信号,利用Coral GAN模型对超低温加工零件表面粗糙度样本数据进行生成,验证所提方法的可行性。基于迁移学习的方法对超低温加工零件表面粗糙度样本数据进行预测,验证迁移学习模型的可用性。试验结果显示本文提出的Coral GAN网络模型和迁移学习框架可以实现对超低温加工零件表面粗糙度的准确预测。