在机械加工过程,切削刀具作为去除材料的关键部件,在整个加工过程中起着重要的作用,刀具的磨损会直接影响加工质量和效率。此外,当刀具的磨损严重时将会有发生断裂与崩刃的危险,将可能导致机床停机以及伤害到操作工人。正是由于实际加工过程中对刀具状态获取的必要性以及其在实用性和经济效益方面的巨大潜力,进一步推动刀具磨损状态检测技术的发展,目前已有众多学者对此开展了针对性的研究。本文针对铣削加工过程中刀具磨损状态的监测问题,提出一种基于多传感器数据融合成像和注意力机制的深度学习模型。首先,将多通道传感器收集到的原始时间序列信号融合成像为合适尺寸的二维图像。然后,将得到的图像数据输入具有注意力机制的深层残差卷积网络中进行训练。最后,通过分析实时输入的多传感器信号,将训练好的模型用于刀具状态监测。本文主要的研究创新与工作内容总结如下:（1）提出一种基于多传感器数据融合成像以及注意力机制的深度残差卷积网络模型,该算法模型被用来对刀具磨损状态进行在线识别与监测。首先,通过多组优化实验挖掘出本文所提出的算法模型的最优性能。随后,多组对比实验进一步验证了其有效性。最后,设计了 一组加工试验被用来验证该模型的适应性以及鲁棒性。（2）基于角和三角矩阵的多传感器融合成像技术（TMAS）是一种创新的数据融合方法,其目标是实现数据层中多传感器信号的融合。在保留住原始时间序列信号内在的时间关系以及避免数据冗余的前提下,TMAS方法将多传感器数据融合到图片信息中,作为后续模型训练的输入。（3）尝试将时序信号编码为图像数据后输入带有注意力机制的残差卷积网络进行特征学习。通过网络中嵌入的卷积块注意力模块(CBAM实现对通道域和空间域特征的有效提取,从而能够忽略图片信息中的无关信息而关注重点信息,减少噪声干扰,提高模型的鲁棒性。