TC18（Ti-5Al-5Mo-5V-1Cr-1Fe）钛合金是一种在航空航天、深海潜水、生物医学等领域有着广泛应用的合金。铣削加工TC18钛合金时快速的刀具磨损会使得成本增加和工件表面质量急剧下降。因此,对该过程的刀具磨损机理分析和刀具磨损预测模型的研究显得尤为重要。本文首先通过一个铣削实验,获得了195组刀具磨损数据,同时采集铣削力信号作为预测模型的输入。通过扫描电镜和EDS能谱分析仪对刀具磨损过程的微观形貌详细的进行分析。基于无需任何特征工程处理的原始铣削力数据,使用深度学习中的卷积双向长短时记忆神经网络（convolutional bi-directional long short-term memory networks,CNN+BILSTM）和卷积双向门控循环单元（convolutional bi-directional gated recurrent unit,CNN+BIGRU）建立刀具磨损预测模型。在刀具磨损量预测模型中,实验结果表明,相较于其它单一模型,CNN+BILSTM模型的预测效果最好。CNN+BIGRU模型效果次之,但是其运行时间更短。同时,CNN+BILSTM模型和CNN+BIGRU模型的收敛速度较快。在刀具磨损状态监测模型中,CNN+BILSTM和CNN+BIGRU模型对于刀具磨损三个阶段平均分类准确率分别达到了96.55%和94.83%,可以满足实际需求。为了有效的选用激活函数,通过在CNN+BIGRU和CNN+BILSTM模型上对sigmoid、tanh和Re LU激活函数做的对比实验,结果表明,采用了Re LU激活函数的模型运行时间最短,收敛速度最快。为了研究本文预测模型的泛化能力,在另一个不同工况下的数据集上进行实验验证。通过对其三个数据集的交叉验证结果表明,本文采用的CNN+BILSTM和CNN+BIGRU模型均具备较好的性能和泛化能力,为刀具磨损在线预测领域提供了一种新的、有前景的方法。