在“中国制造2025”和“工业4.0”的战略大背景下,CNC机床向着智能化集成的方向发展,CNC机床集成监测刀具状态的功能可以大幅度减少机床工件废品率和故障停机时间,有效提高机床生产效率和刀具利用率,保障机床安全生产。基于机器视觉的监控技术可实现智能化、实时、精确、快速监测,因此,本文研究了一种基于视觉特征的在线提取刀具磨损特征值和工件纹理特征的方法,用于不停机诊断刀具磨损状态。论文首先分析了刀具磨损机理和工件纹理形成的机理,确定把刀具后刀面磨损区的最大带宽作为刀具磨损特征值,并以工件表面纹理特征作为判定刀具磨损状态的特征向量。然后,针对工业现场采集的图像存在噪声和不均匀光照的干扰,研究了刀具磨损图像和工件纹理图像的预处理方法,包括自适应中值滤波和顶帽运算。其次,研究了针对刀具后刀面磨损图像特点的自动提取磨损特征值算法,设计了自动选取种子点与生长阈值的区域生长算法来分割后刀面磨损区,并通过最小外接矩形提取刀具磨损特征值。将本文的刀具磨损特征值提取算法与其他基于阈值分割的算法进行比较分析,本文的自动提取磨损特征值算法应用于实际更加简便、实用。研究了针对工件表面纹理图像特点的自动纹理特征提取算法,利用纹理图像经四元数小波变换后得到的幅值相位信息,与切削参数一起构成工件纹理特征向量,并构建基于BP神经网络的纹理图像分类模型用以判别刀具磨损等级。将本文分析工件纹理特征的方法与基于灰度共生矩阵的分析方法进行对比,本文方法提取的纹理特征更加可靠、准确。最后,构建了CNC机床刀具状态视觉监控系统,分析了本文提取刀具磨损特征值算法和分析工件表面纹理特征算法的可行性和有效性,并给出监控系统的具体实现流程,通过图像处理实例说明本文方法在工业实际中不停机自动检测CNC机床刀具磨损状态的适用性。