金属切削加工过程中，刀具失效是数控机床出现故障的主要原因，若不能及时、有效的监测故障，将会导致生产过程的中断，造成加工工件的浪费、机床的损坏，且不合理估计刀具的使用寿命，会使刀具的使用率降低，增加加工时的换刀压力。因此，研究数控机床刀具的实时在线监测技术，有利于提高数控机床无故障运行的效率，降低因刀具失效而出现的工件报废及设备损坏的概率。本文以数控机床铣削刀具为研究对象，在综合分析刀具磨损状态的国内外研究现状及磨损机理的基础上，针对单一传感器获取的信息类型单一、信息量有限、抗干扰能力较低等缺陷，提出采用振动传感器、声压传感器、视觉传感器以及三向测力仪等多传感监测刀具磨损状态的多源信息，并利用人工神经网络建立多个诊断模型实现多模型的决策级融合。同时，借助LabVIEW和MATLAB软件进行混合编程，建立一套完善的铣刀磨损状态监测系统，对铣刀的磨损状态进行识别诊断研究，以期能够通过该系统实现实时的在线监测。研究数控机床刀具磨损的机理、磨损类型，确定了针对初期磨损、正常磨损以及急剧磨损三种磨损类型对刀具的磨损状态进行监测与诊断；通过对常用的监测方法进行分析，确定选用振动信号、声压信号、切削力信号以及工件的表面纹理等方法设计铣刀磨损状态的试验方案，并基于LabVIEW和MATLAB软件编程，设计了铣刀磨损状态的信号采集处理系统。为了减少试验次数及试验过程的不定因素，基于DEFORM-3D有限元仿真软件对数控铣削刀具的切削三要素设计9组方案进行仿真研究。依据刀具使用寿命的长短及极差分析的方法，确定最佳的试验方案，即切削速度为100m/min，每齿进给量为0.1mm，切削深度为0.8mm，作为最终的准干式铣削试验的参数方案，同时为后续的模式识别及决策融合系统的构建奠定基础。研究了时域、频域以及时频域分析中的总体经验模态分解方法（EEMD），对采集到的原始信号进行特征值提取；通过核主元分析方法（KPCA）对组成的原始特征量进行筛选、降维处理，最终确定了35组最能反映铣刀磨损状态的特征值作为有效的特征量组合，输入到三种智能网络模型中进行模式识别研究。最后，通过建立遗传BP、RBF、SVM三种网络模型完成对铣刀磨损状态的初步融合；通过模糊集相关理论对D-S证据理论的融合原则和模型进行改进，提出了一种新的DST改进方法，并应用到铣刀磨损状态监测的多模型决策级融合上。建立的基于多传感器信息融合的刀具磨损状态监测与诊断系统在诊断速度、准确率以及稳定性上具有明显的优势，能够有效地完成对刀具磨损状态的监测。