化学机械抛光作为一种高效的平坦化加工技术被广泛应用于超精密加工过程中。随着对产品表面质量要求的不断提高以及工业数据量的不断增加,化学机械抛光技术也需要人工智能技术赋能,进而提高整体数据分析决策效率。此外,化学机械抛光技术机理较为复杂,新从业者往往需要通过大量重复的实验来优化工艺参数,这就造成了资源的浪费。本文主要针对铌酸锂、石英玻璃及蓝宝石硬脆材料的化学机械抛光过程,应用智能算法对加工工艺参数（压力、抛光盘转速、磨粒浓度、抛光液p H以及加工时间）与材料去除率以及表面粗糙度之间的非线性关系进行高质量建模,结合传统物理模型对工艺参数进行快速优化,避免大量实验探索过程,有效节约了实验成本,对工程实践推广有一定借鉴意义。本文的主要研究内容如下:（1）提出了一种基于自适应神经网络进行化学机械抛光数据分析的建模方法。本文通过分析神经网络模型参数对建模效果的影响,对神经网络的超参数（激活函数、隐藏层层数、节点数、优化器以及正则化参数）设置搜索区间,应用少量的迭代过程,筛选出最优的参数组合对模型进行训练,最后通过实验验证了模型的回归特性和泛化能力。该方法与传统的建模方法相比,可以根据数据特征优选模型参数,避免了多次改进模型的繁琐过程,且模型质量较高。（2）改进了工艺参数的优化方法并优化了相关工艺参数。通过设计遗传算法的适应度函数,分别应用传统物理模型、传统物理模型-人工智能模型、人工智能模型优化了特定材料去除率和表面粗糙度下的工艺参数,并通过实验验证了优化效果,为传统物理模型与人工智能模型的结合提供了新的研究思路。在多目标优化过程中,应用共享参数的设计方法,实现了输入特征有差异的人工智能模型协同优化工艺参数,实验验证结果表明该方法可以较准确地为技术经验水平不高的科研人员提供参数优化结果。（3）提出了一种模型之间交互建模方法。针对目前回归模型只能在某些特定实验条件下应用的问题,提出了一种回归模型迁移建模方法,对化学机械抛光过程中同类硬脆材料之间进行迁移交互式建模。首先对铌酸锂材料粗糙度及去除率自适应模型的参数提取,然后通过预训练和微调的操作对玻璃材料粗糙度实验数据集和其他学者的蓝宝石材料去除率经验数据集进行回归建模,模型验证结果表明迁移模型质量较高且所需要的建模成本较低,对各种形式的数据集都有一定的兼容性。