近年来,物联网,云计算、大数据和人工智能等技术的发展给制造业带来巨大进步,大幅提升了制造过程的生产效率。智能机床作为制造业中用于执行的基础装备,在整个生产过程中扮演着重要的角色。刀具是“智能机床的牙齿”,其性能直接影响到工件表面质量以及加工工件的性能。刀具刃口与工件之间不可避免的摩擦,使得刀具磨损成为影响制造过程可靠性和稳定性的关键因素。因此,实时准确地评估刀具磨损状态,不仅可以降低生产成本,而且可以有效地提高加工刀具的利用率。本文对切削过程中的刀具磨损状况的识别与预测开展研究,为装备智能化到工具智能化提供技术支撑。论文主要研究内容如下:首先,论述了刀具磨损的基本原理,对磨损的形式、磨损的过程以及磨钝的标准三方面进行阐述。详细介绍了搭建的车削刀具磨损和铣削刀具磨损实验平台,包括所采用的装备、仪器以及采集方式,同时确定了刀具失效指标和加工参数,并对采集到的原始信号进行了简单的分析。然后,分析刀具磨损状态监测的三种特征:时域特征（TD）、频域特征（FD）和小波域特征（TFD）,选择高相关系数的信号特征作为模型的输入,并在时、频域特征分析和小波包分析的基础上,提出了一种时间分辨率和频率分辨率较高的小波尺度图像特征提取方法。接着,针对刀具磨损样本量不足的问题,以Morlet小波尺度图作为输入特征,提出深度迁移模型TL-Alex Net以及TL-VGGNet-16,研究了小样本数据集和增强操作数据集对刀具磨损标签分类性能,以及车、铣削多传感器图像特征融合的刀具磨损状态识别。研究结果表明,基于Alexnet与Vgg Net-16的深度迁移学习模型是实现刀具磨损二维时频图像特征分类任务的较优模型;多传感器图像特征融合可以有效提升刀具磨损状况预测准确率,便于对刀具不同状态信息进行深层组合并挖掘。最后,针对刀具磨损样本有限且标签数据不平衡的问题,提出一种堆叠自动编码网络（SAEN）与生成对抗网络（GAN）相结合模型,生成辨识度更高的磨损类标签样本,解决标签数据不均衡下的刀具磨损识别与预测问题。研究结果表明,提出模型可以生成近似于传感器采集的真实数据,并有效提升不平衡类标签样本的整体预测准确率,满足刀具磨损状态的预测分类要求。以提出模型生成的样本数据为输入,采用PSO-LSSVM模型对刀具磨损值进行回归预测,实验结果显示生成样本数据的评价指标结果几乎接近真实样本数据,验证了提出模型在刀具磨损量预测方面的有效性,可为刀具磨损在线监测的一种新思路和技术支撑。