本发明提出了一种基于DAE‑RNN的数控铣削表面粗糙度预测方法，首先，对采集的多源异构数据进行预处理。其次，基于深度自编码器，构建具有多个隐层的编码层‑解码层结构，形成深度自编码器，通过神经网络逐层降维，自动从高维时变工况中提取本质特征，对于非时变工况特征采用人工提取方式提取特征；然后，利用提取的时变工况特征和非时变工况特征组成多源异构特征集作为样本，建立并训练基于循环神经网络的铣削表面粗糙度预测模型，实现变工况场景下零件表面粗糙度的预测。通过本发明，能够对加工过程多源异构具有时序关联性的加工过程进行质量监控，采用DAE进行特征提取、采用RNN进行表面粗糙度预测，从而提高产品加工过程质量监控能力与表面粗糙度预测效率。