在现代化的制造系统中，为了保障自动化加工设备的安全和加工质量，迫切需要解决加工过程中的监控问题。加工刀具是机械加工过程中最基本的加工要素之一，刀具磨损势必会影响工件的加工表面质量和尺寸精度，严重时甚至会危及机床、工件和人员的安全。另外，由于加工条件的多样性、切削参数的多变性以及刀具磨损等因素使得刀具的状态监测成为整个生产过程监测的重要环节。本文以Kistler 9257B测力仪、SR12宽带声发射传感器及振动传感器B&K4370为信号检测元件，利用多传感器融合技术对铣削加工过程中刀具磨损监测的一系列相关技术问题进行了详细分析。在信号处理、特征抽取与选择和模式识别等方面进行了积极的探索，丰富和发展了刀具磨损监测技术。文中对切削力和振动信号的处理主要采用小波分析。小波分析是处理非平稳信号非常有效的方法，而其中的小波包变换不仅分析低频信号，而且对高频信号也进行了细分分析。可以将包括正弦信号在内的任意信号无冗余、无疏漏、正交地分解到独立的、任意精细的频带上。正因如此，采用了小波包分解频带能量监测法对切削力和振动信号进行了频段能量统计，并得到了与刀具磨损敏感的频段特征。通过相应频段内能量的变化，就可以对刀具磨损状态进行有效的监测。最终的智能诊断系统是在小波分析与神经网络结合的基础上建立的。首先利用BP网络融合切削力和振动信号特征对刀具进行识别，根据其不足，提出了基于集成神经网络的刀具磨损状态识别系统，即采用了两个切削分力子网络和一个振动子网络，充分利用切削加工过程中各个信号的有效信息，经实例验证，诊断率和识别速度可以大大提高。这对实际生产过程监控具有一定的借鉴意义。