难加工材料由于其硬度高、导热性差,铣削时切削力较大,切削温度高,刀具磨损剧烈。而刀具状态直接影响到工件表面质量和精度,因此亟需对刀具磨损状态进行实时监测。但是,传统的模式识别方法的建模过程需要获得刀具多种磨损状态下的信号,耗费大量精力,显然不适合实际切削过程中的刀具磨损监测。本文提出了一种基于多尺度主元分析(MSPCA)的刀具磨损监测方法,这种方法只需要正常加工状态下的数据就能建立监测模型。在该监测方法中,首先利用离散小波分解(DWT)将数据分解到多个尺度,然后通过主元分析(PCA)建立各尺度下的主元模型,选择显著尺度进行小波重构。最终建立多尺度主元分析监测模型,并通过多变量统计控制图显示监测结果。为了验证该方法的有效性,本文选用了GH4169高温合金进行铣削实验,采用了测力仪和振动加速度传感器采集信号。根据两种信号的特点,分别选用低通和带通滤波器进行预处理,并截取刀具真正参与切削时的传感器信号。通过提取时域、频域特征组成了训练样本集和测试样本集,对多尺度主元分析模型进行了训练和测试。磨损状态控制图的显示结果表明:多尺度主元分析模型的监测精度最高可达到100%,完全满足刀具磨损监测的要求。并且结合本文所研究的方法,开发了一套基于虚拟仪器技术的刀具状态智能在线监测软件。本文的研究结果表明:多尺度主元监测模型只需要正常加工状态下的信号就能建立有效的监测模型,克服传统模式识别方法的缺点,取得了很高的监测精度,因此更适合用于难加工材料的刀具磨损状态监测。