在切割加工过程中,刀具会逐渐磨损,轻则影响加工质量,重则工件报废,机床损坏。为此刀具的剩余寿命预测变得极为重要。而随着传感器和通信技术的发展,在刀具的切割过程中产生了海量的监测数据。如果能在这些数据的基础上,进行价值挖掘,精准地预测刀具的剩余寿命,将有助提高生产效率,具有很强的实用价值。本文对刀具的磨损监测和剩余寿命预测进行了研究。以切削力、振动和发射信号作为刀具数据,从时域、频域和时频域三个方面对刀具数据进行特征提取,利用相关性方法筛选特征,得到磨损量相关性较大的特征,建立了基于支持向量回归（SVR）、随机森林（Random Forest）和极端梯度下降算法（XGBoost）的刀具磨损量监测模型。设计实验,以MSE、MAE和R~2作为评价指标,通过对比发现基于XGBoost的模型预测精度更高,MSE、MAE和R~2分别为70.92,6.01,94.56%。根据多次走刀后的磨损量,建立了基于短时记忆神经网络（LSTM）的刀具剩余寿命预测模型,并通过参数调优,确定了隐含层包含11个神经元。然后利用Adam算法优化LSTM模型,提高了模型的收敛速度和准确度。最后设计实验,以收敛时迭代次数和报废时与真实走刀次数之差作为评价指标,以Adam算法优化后的LSTM模型收敛时迭代次数36,走刀次数100次以上时与真实值相差在10次以内,优于基于循环神经网络（RNN）的模型,这是因为LSTM更适合预测时间序列中间隔和延迟非常长的事件。