随着零件小型化和复杂化的趋势不断发展，微铣削加工方法也越来越受到人们的重视。由于微切削属于新兴领域，加工方法没有趋于成熟。微切削加工尺寸微小，表现出尺寸效应，宏观切削理论已经无法适用。因此，加工时对于切削参数的选取没有合理可靠的依据。实际加工时，对切削力、切削温度等方面的数据需要控制在合理的范围内，这就要求基于目标对切削参数进行预测和优化。镍基高温合金具有良好的抗腐蚀性和抗蠕变性能，强度高，适用于高应力应变和高温状态。广泛应用于航天和船舶等领域。基于以上观点，本文进行了如下工作：　　（1）为了探究高温合金GH4169的最小切削厚度，运用Abaqus软件建立了二维微车削高温合金 GH4169 正交模型。刀尖半径设置为 0.015mm，以切削厚度为变量，进行了 5 组实验，分析 GH4169 材料切削过程中刀具切削力和材料切削温度的变化情况。根据结果可知，随着切削厚度的增加，进给方向的切削力随之增加，垂直进给方向的切削力则先增大后减小，工件的最高温度随着切削深度的改变先升高后降低再升高。切削力和工件温度的第一次升高又降低与传统切削规律不符，这是由于尺寸效应引起的。由这些表现分析可得，材料的最小切削厚度大约为0.4r即0.006mm。　　（2）建立三维微铣削模型，以切削参数即主轴转速、每齿进给量和切削深度为因素，设计了三因素五水平正交实验，探究切削参数的变化对切削力、切削温度和残余应力的影响。实验所得的切削力多数在4N左右，温度在200度左右，残余应力在1000MPa居多。与文献中数据相近。通过对结果进行分析得出，每齿进给量对切削力的影响最为显著。切削深度对工件温度和残余应力的影响最为显著。　　（3）建立神经网络-遗传算法预测优化模型。以正交实验参数为样本，切削参数为自变量，切削力、切削温度和残余应力为因变量，对神经网络进行训练，把切削参数输入训练好的网络，可以预测实验结果。切削力参数的预测误差最大为 26%，温度的预测误差为 61%，残余应力的预测误差最大在 21%。神经网络预测模型对切削力和残余应力的预测效果较好，对工件温度的预测效果较差。之后，应用遗传算法，将神经网络作为适应度函数，对切削参数进行优化。当主轴转速取 12201.6r/min （线速度383.33mm/s）、每齿进给量取0.008mm/z、切削深度取0.019mm时切削力最小，为0.014N。当主轴转速取14463.6r/min（线速度454.39mm/s）、每齿进给量取0.013mm/z、切削深度取0.015mm时，工件温度最低，为21.08℃。当主轴转速取38418.7r/min（线速度1206.96mm/s）、每齿进给量取0.011mm/z、切削深度取0.016mm时残余应力最小，为674MPa.通过实验对上述结果进行验证，证明了神经网络对切削参数的优化较为准确。