提质增效的智能加工模式是当下企业适应社会需求、应对激烈竞争的重要研究,可有效促进汽车制造等相关领域的先进加工技术蓬勃发展。工艺参数（主轴转速、进给量等）的选择对加工性能影响显著,参数组合的多样性使得生产机床具有较大的提升空间,如何选择合理有效的加工参数是本文研究的主题。为了实现加工过程中质量、效率和性能的多重权衡,本文以铣削TC18钛合金为例提出基于深度强化学习的提质增效加工优化模型,利用双深度Q网络（DDQN）进行参数优化与建模（满足表面粗糙度最小、材料去除率最大和铣削力稳定性最优）,通过熵权法对结果进行进一步评价。提出多种适应加工生产需求的解决方案,为提质增效制造加工生产提供决策支持。主要的工作如下:（1）采用DDQN优化的反向误差传播神经网络（BPNN）算法构建质量特征（表面粗糙度）和性能特征（切削力）的预测模型,DDQN用于优化BPNN重要的内部参数（隐藏层神经元个数和学习率）。设计了用于内部参数优化的强化学习运行策略并对其参数选择的影响进行分析,实现多目标优化模型目标函数的精确预测。（2）利用DDQN求解加工参数多目标优化模型,获得满足表面粗糙度最小、材料去除率最大和铣削力稳定性最优的Pareto前沿解集。设计了用于多目标优化的强化学习运行策略,并与常用的多目标算法进行对比与分析,验证了优化模型的有效性。最后,通过熵权法对Pareto前沿解进行进一步分析,获得评价最好的加工参数组合用于加工指导。（3）提出增效阈值下的优化决策方案,将多个优化目标中的次要目标作为约束以提高优化收敛速度,针对优化目标侧重不同的情况下给出不同的加工参数解。该方式能够为企业提供经济高效、灵活可扩展的加工解决方案。