在超精密加工过程中机床状态、切削工艺参数、材料性能及刀具磨损等因素都可能对表面粗糙度造成较大的影响,而如何对加工工件表面粗糙度进行预测进而指导工业生产是先进制造技术研究重点方向。本文对国内外关于加工表面粗糙度预测方面的研究进行了回顾,并详细分析了加工表面粗糙度影响因素。根据超精密加工的特点及影响加工表面粗糙度因素,设计了超精密加工实验方案,搭建了加工过程中大数据采集平台,以加速度传感器采集机床主轴的振动信号,以测力仪采集刀具的力信号,并利用白光干涉仪测量了样品表面粗糙度。在加工信号处理中,利用基于短时能量的信号分段技术对信号进行了切割,通过时域分析和频域分析提取了信号的多维特征,并利用小波包分解技术对信号进行了三层分解,以各频段能量占比构建信号的时频特征。针对信号特征样本量较小,维度较高的特点,本文研究了支持向量机及不同的特征降维算法,比较了使用不同核函数情况下支持向量机对表面粗糙度的分类预测效果,并利用网格搜索进行参数优化。最后,比较了利用不同降维算法对样本数据降维后支持向量机的分类准确率,分析和评价了多分类预测模型的粗糙度预测效果。本文通过设计超精密加工及信号采集实验,避免考虑实际复杂加工工况,利用加工信号提取高维特征,对加工表面粗糙度进行了分类预测,有效地得到了良好的预测准确性。对光学元件超精密加工生产制造中表面粗糙度的准确预测具有重要的指导意义。