Para resolver el problema de la insuficiente precisión en el modelado del proceso de desgaste de herramientas y la estimación de la Vida Útil Restante (RUL), este estudio propone un método de predicción en dos etapas. En primer lugar, se construye un modelo de referencia de predicción lineal: se utiliza la Regresión por Vectores de Soporte (SVR) para modelar preliminarmente el proceso de desgaste de herramientas, obteniendo resultados de predicción iniciales y su distribución de errores. Sobre esta base, se introduce un Autoencoder (AE) para establecer una relación de mapeo no lineal para los errores, logrando una compensación efectiva de los resultados de predicción de la SVR y estableciendo el modelo de predicción SVR-AE. Para mejorar aún más el rendimiento del modelo, se utiliza el algoritmo de Optimización por Colonias de Hormigas (ACO) para optimizar tres parámetros clave: el número de épocas de entrenamiento, el tamaño del lote y las dimensiones de la capa oculta, estableciendo finalmente el modelo de optimización ACO-SVR-AE. La validación experimental demuestra que en el conjunto de datos PHM2010, en comparación con los modelos de Regresión por Vectores de Soporte (SVR) y Autoencoder (AE), el método propuesto logra reducciones promedio del 26.1% en el Error Cuadrático Medio (MSE) y del 14.5% en el Error Absoluto Medio (MAE). En comparación con los modelos tradicionales de bosque aleatorio y redes neuronales, el MSE y el MAE muestran reducciones promedio del 32.3% y 25.3%. Al combinar el modelado lineal con la compensación de errores no lineales, este método proporciona un enfoque de optimización integrado para tareas de predicción en escenarios industriales complejos.