金属切削过程的在线监控对于保证零件加工质量、减少刀具失效和机床故障、提高生产自动化水平具有重要意义。铣削过程会产生声发射信号，声发射信号蕴涵了丰富的与刀具状态密切相关的信息。本文以声发射信号为分析对象，研究铣刀的故障诊断。首先，构建了基于虚拟仪器技术的铣削声发射信号采集分析系统。系统以LabVIEW为软件平台，结合MATLAB数值分析软件，开发了基于声发射信号的采集系统、去噪系统、参数分析系统以及频域分析等软件系统。通过设计试验采集到了各种工况各种刀具状态下的声发射信号并对采集的声发射信号进行小波阈值去噪处理。然后,分别利用时域参数分析法与频域分析法对声发射信号进行了分析。对不同工况不同刀具状态下声发射信号的总振铃计数、总事件计数、总能量、有效电压（RMS）等统计特征参量进行了计算，结果表明刀具自新刀状态到微磨损状态再到严重磨损状态，其总振铃计数及总事件计数均呈现出下降的趋势，相反，其总能量及有效值电压值（RMS）则随着刀具磨损程度加剧而增大的趋势。对各信号进行频谱分析发现，随着铣刀磨损程度的加剧，能量主峰频率向低频移动并且功率谱幅值也相应的呈增大趋势；同时考察重心频率（FC）、均方根频率（RMSF）以及频率标准方差（RVF）这几个频率特征参数发现，FC、RMSF、RVF有随刀具磨损程度加剧而下降的趋势。之后，将神经网络技术应用于铣刀状态识别。研究了基于铣刀声发射信号的BP神经网络识别原理，分析了BP神经网络模型的工作工程，讨论了BP神经网络结构的确定及样本的确定等一些重要问题，给出了网络层数、各层节点数、网络参数初始化以及样本选取、样本构造、样本处理等相关问题的原则与方法，并建立了BP神经网络以实现铣刀状态识别。论文最后通过铣削试验对所构建的系统和提出的方法进行了验证。验证表明：所构建的基于LabVIEW平台的声发射信号采集分析系统响应速度快、界面友好、操作简便且实用可靠；基于BP神经网络的铣刀声发射信号故障识别方法是可行的，克服了其它识别方法过分依赖于经验与背景知识的缺点。