伴随着机械加工技术的不断发展,在航空航天、汽车、精密仪器等高科技领域对零件的加工精度提出了更高的要求。在机械加工过程中刀具磨损是影响零件加工精度的主要影响因素之一,因此对刀具磨损状态监测的研究具有较高的实用性和社会经济价值。通过分析刀具的磨损形式、磨损过程以及刀具磨损对多种信号的影响,确定了刀具磨钝标准和传感器的选型。针对搭建刀具磨损监测系统的需求,对硬件进行了选择并合理的规划了软件功能和软件结构,并且对软件的数据采集模块、信号处理模块、刀具磨损监测模块进行了设计与实现。针对加工过程中传感器原始数据无法直接反映刀具磨损状态变化的问题,采用统计学理论和信号处理技术,对加工过程中的信号进行了预处理和特征提取。搭建试验平台,获取了加工过程中真实有效的多传感器信号,通过对信号的时域、频域和时频域进行分析,提取了能够反映刀具磨损状态变化的信号特征。针对传统的刀具磨损状态监测模型的缺陷,将深度学习知识应用于刀具磨损监测领域,通过堆叠稀疏降噪自编码网络(Stacked Denosing Sparse Auto Encoder,SDSAE)结合多种信号对铣刀磨损状态进行监测,并与BP神经网络刀具磨损状态监测模型进行对比,验证了SDSAE网络在刀具磨损状态监测上的优越性。本文采用机器学习中的信息融合方法,提出基于多模态堆叠降噪自编码网络(Multiple-input Stacked Denosing Sparse Auto Encoder,M-SDSAE)的刀具磨损状态监测方法,在特征层对多传感器信息进行融合。结合前文算法,在MATLAB2018a、VC++6.0开发环境中,对刀具磨损状态监测系统的各个模块进行了开发和有效集成。