随着信息技术的发展,机械设备制造自动化、工序集中化程度不断提高,产品也随之从“制造”转变为“智造”。为满足生产的产品高效率与高质量,制造系统需要足够智能来监测制造过程。刀具作为制造过程中最敏感、最易受损坏的部分,其磨损直接对工件的质量与精度产生影响,若使用时未在报废前及时更换,将造成巨大的经济损失和意外的安全问题。因此,磨损过程的早期发现和监控对于加工过程的成本优化和维护安全是必要的。本文以铣刀为研究对象,提出了基于深度学习方法的刀具磨损状态识别与预测模型,并通过实验验证了所提出方法的有优越性。主要研究内容如下:（1）介绍刀具磨损状态识别与刀具磨损状态监测及预测的国内外研究现状,分析了当前基于深度学习方法建立模型的不足,介绍PHM2010高速铣削刀具数据集;分析刀具磨损机理,确定将力信号、振动信号与声发射信号作为刀具磨损监测与预测模型的监测信号,切削力信号作为刀具磨损状态识别的监测信号。（2）对以上监测信号进行时域、频域及时频域的特征提取,筛选与刀具磨损强相关特征信号,对筛选后的特征进行归一化处理,通过主成分分析（PCA）方法对筛选的特征进行降维,得到十个与刀具磨损高度敏感的特征空间,以上特征为第四章与第五章机器学习对比模型的输入;介绍连续小波包变换为第五章一维信号转换三维时频图像做理论基础。（3）为实时监测切削过程中刀具磨损与预测刀具未来的磨损状态,提出一种基于多传感器特征融合的定制Dense Net和GRU集成模型的刀具磨损监测与预测方法;考虑多传感器对刀具磨损的影响,在模型中加入异构的非对称卷积核挖掘信号与刀具磨损的强相关特征;为挖掘历史信息对刀具磨损的影响,在一维卷积核中使用了一种“扩充”方案;目前流行的机器学习方法与多种深度学习方法对监测与预测刀具磨损值进行对比,证明所提出方法在刀具磨损监测与预测上的高精度。（4）提出一种基于数据增强的刀具磨损状态识别框架,该框架融合了生成式对抗网络、最大均值差异、连续小波变换、卷积神经网络等深度学习方法;提出条件瓦瑟斯坦带梯度罚的生成对抗网络以生成人工样本;提出一种生成数据评价指标,将生成的高质量数据进行原始数据样本扩充得到增强数据;增强后的数据集使用连续小波包变换转换时频图像;提出基于Inception-Res Net框架的卷积神经网络用于刀具磨损状态识别。通过实验证明该方法相比于未均衡数据的方法具有较高的准确率。