基于计算机视觉的刀具状态在线监控是综合了机器视觉和图像处理分析技术对刀具磨损状态进行监测的一种技术。本文通过对刀具的不同磨损状态下加工的工件表面纹理图像的纹理特征进行研究,应用数据挖掘技术对纹理特征进行特征数据的提取,通过对特征数据进行模式识别,以达到对刀具磨损状态监测的目的。分析了切削加工表面纹理的形成过程,以及加工表面纹理的形态及图像特征,并对影响工件表面纹理的因素进行了对比,阐明了基于加工表面纹理的刀具磨损监测方法的合理性和可行性。论文结合实验所得到的工件表面图像,对常用的图像预处理方法进行了研究、分析和比较,找出了适合工件表面图像的预处理算法,为实现刀具磨损状态监测的图像特征提取奠定了基础。研究和探索了适合于工件表面纹理图像的数据挖掘算法,对辅助工人进行刀具状态的在线监控具有重要实用价值。本文通过基于灰度共生矩阵法、基于空间像素投影面积法、基于连通区域数法和基于马尔可夫随机场模型四种方法对工件表面图像的纹理特征数据进行提取,通过实验数据分别得到的估计参数都能正确的表达纹理图像和刀具磨损状态的对应关系,从而为刀具状态的识别提供了数据来源。本文在进行刀具状态识别时,针对不同刀具状态类别特征样本存在重叠区域造成的分类困难,本文提出了基于模糊判决的刀具状态识别模型和方法;针对特征判决边界存在一定的非线性特性,本文提出了基于BP神经网络的刀具状态识别模型和方法;再对上述两种识别模型进行决策层融合研究,提出了基于分类器融合的刀具状态识别模型和方法。通过对上述两种基于不同特征的识别模型的融合,刀具状态识别的效率和准确率显著提高。