Los robots de rectificado se utilizan ampliamente en las industrias automotriz, de procesamiento mecánico y aeroespacial, entre otras, debido a su gran adaptabilidad, alta seguridad e inteligencia. Los parámetros del proceso de rectificado son los principales factores que afectan la calidad y eficiencia de los robots de rectificado. Sin embargo, es difícil obtener la combinación óptima de los parámetros del proceso de rectificado solo a través de la experiencia manual. Este estudio propone un método basado en inteligencia artificial para optimizar los parámetros del proceso de un robot de rectificado utilizando redes neuronales y un algoritmo genético, con el objetivo de reducir la rugosidad de la superficie de la pieza de trabajo y acortar el tiempo de rectificado. Específicamente, este es el primer estudio que utiliza un enfoque de optimización multiobjetivo para optimizar los parámetros del proceso de un robot de rectificado. Basado en los datos experimentales del robot de rectificado ROKAE XB7, se entrenaron redes neuronales de memoria a largo y corto plazo (LSTM) y perceptrón multicapa (MLP) para ajustar las relaciones cuantitativas entre los parámetros del proceso del robot de rectificado, como la velocidad de avance, la presión del husillo y la presión del motor neumático, y el resultado de la rugosidad de la superficie de rectificado y el tiempo de rectificado. Después de eso, se utilizó el algoritmo genético de clasificación no dominada II (NSGA-II) para calcular las combinaciones óptimas de parámetros del proceso de Pareto utilizando el modelo LSTM y MPL entrenado como función objetivo. En comparación con el método basado en la experiencia manual, los parámetros del proceso optimizados con este método lograron una reducción en la rugosidad de la superficie de al menos un 13.62% y una reducción en el tiempo total del proceso de rectificado del 28%. Los excelentes resultados de rectificado obtenidos para el tiempo de rectificado y la rugosidad de la superficie validaron la viabilidad y eficiencia del método multiobjetivo propuesto para la optimización de los parámetros del proceso de los robots de rectificado en aplicaciones de fabricación prácticas.