刀具作为机床切削加工的直接执行者，在切削过程中不可避免地会出现磨损现象。刀具磨损程度的增大不仅会使产品的加工质量下降，还容易引起机床故障。为了保证产品加工质量，提高生产效率，有必要深入地研究刀具磨损在线监测技术。　　本文基于振动传感器和声发射传感器，实现了对刀具磨损量的智能预测。首先搭建了刀具磨损实验平台，采集了不同磨损状态的刀具切削时产生的振动信号和声发射信号。对信号分别进行了时域分析和频域分析，发现不同磨损量刀具之间的频率成分和频率幅值均具有较大差异，可将其作为识别刀具磨损状态的特征向量。为了获取足够的训练样本，对信号进行了短时傅里叶变换，并将振动信号6250Hz以下频段的频率幅值和声发射信号52KHz~400KHz之间频段的频率幅值作为 BP神经网络的输入向量，充分利用神经网络自身的学习能力，使神经网络建立从信号频谱到刀具磨损量之间的映射关系，从而实现对刀具磨损量的预测。为了更好地研究神经网络算法并将其应用于实际生产，利用 C＃语言编写了神经网络程序，实现了样本训练和样本识别等功能。实验结果表明，本文方法具有识别精度高、稳定性好的优点。在此基础上采用分段加权平均法对两种传感器的识别结果进行融合，进一步提高了系统的识别精度。　　本文在实验设计、数据采集、特征提取、神经网络识别、数据融合等方面进行了积极的研究，特别是在特征提取方面，将信号有效频段内的频率幅值作为特征向量，取得了较好的效果，具有一定的实用价值。