在切削过程中，任何故障都将严重影响机械产品质量、生产效率，扰乱正常的生产计划和增加生产成本，因此，进行切削过程监测优化，对于提高机床利用率和产品质量、降低废品率和加工成本、减轻劳动强度、降低材料消耗和提高生产安全起着重要作用。本文详细论述了切削过程监测及其优化的信号处理方法及其相关算法，其中信号处理方法包括信号预处理、时域分析与建模、频域分析与建模、小波分析；监测算法包括模糊理论、神经网络算法；优化算法包括遗传算法，为切削过程监测及其优化奠定基础；鉴于切削力信号在切削过程监测与优化中的重要性，以Labview为工具，通过硬件选取、传感器标定、软件编制(包括采集处理界面、d11驱动程序编制等)实现基于PCI和USB的两套切削力数据采集平台的开发，为后续的切削力试验模型、优化、刀具磨损监测研究作好铺垫。在切削过程优化方面，通过试验分析了切削用量对切削力的影响情况，并在此基础上，提出基于最小二乘回归切削力数学模型和基于径向基神经网络的切削预测模型，并用实验验证了其可行性与有效性；提出在满足加工质量要求的前提下效率最大的切削工艺参数优化方案并利用遗传算法(GA)完成优化，并通过试验验证了其有效性和可行性。在切削过程监测方面，以切削过程监测中的关键技术之一—刀具状态监测技术展开相关研究。通过试验和理论两个角度，研究刀具状态对稳态和动态切削力信号的影响情况；利用小波分析方法研究AE信号的特征量与刀具状态的关联性；采用时域自回归模型(AR)研究刀具状态对振动(AC)信号的影响情况，以提取能够反映刀具磨损状态的特征量。将AE信号的第六层小波分析系数均方值、振动信号的五阶自回归模型残差、切削力信号中刀具弯曲振动频率14kHz对应的幅值组成特征矢量，并借助模糊理论实现对刀具磨损的监测。经实验验证，利用融合特征向量并通过模糊判决识别方法对刀具切削状态识别有着较高的准确率和可靠性，特别适合中后期磨损刀具状态。相比传统的刀具磨损监测手段，将声发射信号、振动信号、切削力信号的特征量组成特征矢量，并利用模糊理论识别刀具状态更具有实用性和可靠性。