为了解决在摩擦学表面形貌建模过程中,表面摩擦学参数无法表征表面的加工方法;表面摩擦学参数无法重构指定加工方法或指定参数的粗糙表面;分形参数与表面摩擦学参数无法同时在分形表面建模当中实现。导致后续仿真过程达不到尺度要求与参数要求的问题。引入了深度学习的表征方法与建模方法,对车铣表面、分形表面进行表征建模。主要研究内容包括:对分形表面建模方法进行优化,改善分形表面形貌的Ssk分布。采用多方向连续小波对车铣加工表面形貌进行多尺度建模仿真。对表面形貌进行压缩感知仿真,降低采样率。对粗糙表面形貌扫描过程进行超分辨率重构。构造车铣加工表面形貌数据集,训练车铣加工分类网络。采用对抗神经网络对车、铣加工粗糙形貌进行建模仿真。训练分形参数判别网络,判别分形表面形貌的分形参数、尺度维数。训练摩擦学参数判别网络,可以计算粗糙表面形貌的表面摩擦学参数。训练分形表面建模网络,使建模形貌可以符合指定分形参数与表面摩擦学参数。研究发现:对离散傅里叶变换的分形建模过程进行线性叠加,可以改善建模的Ssk分布,但是对建模的分形特征会产生影响;通过大量的参数调整,基于多方向小波建模可以在任意位置、方向、尺度上对不同的加工方法产生的粗糙表面形貌建模仿真;对分形建模网络进行改进有效地拓展了分形建模在Ssk的分布;基于深度学习可以构造判别车铣加工方法的神经网络,且该网络能够指导建模网络对粗糙表面的建模过程,完成从表征到建模的闭环;通过在对抗神经网络的生成器当中引入全连接层,可以有效的提升对抗网络的建模效果与建模水平。对抗神经网络在分形粗糙表面建模上可以满足表面摩擦学参数的建模需求,使得分形判别参数与摩擦学参数可以在建模过程中同时满足。该方法的训练过程简单,相对于手工设计构造粗糙表面,具有更强与更广泛的适应能力。基于判别器的不同,生成器可以完成不同的任务,对不同的加工方式进行建模与分析。