大尺寸非球面光学元件在大型光学天文望远镜、星载相机、激光核聚变等领域的广泛应用对其加工效率和加工质量提出了更严格的要求。超精密磨削机床作为大尺寸非球面光学元件的重要加工设备,对元件的高效高质加工至关重要。机床及其砂轮、导轨等部件的状态对超精密加工具有重大影响,对这些部件进行在线状态监测和故障诊断从而保证砂轮等部件处于良好状态是超精密加工质量和稳定性的重要保障。因此本文基于嵌入式系统围绕精密机床加工和监测的需求构建了一套机床智能监控系统,对机床的声发射、振动、温度等信号进行监测采集。针对砂轮等部件状态识别的需求,研究了信号处理分析方法和模式识别方法。具体工作如下:（1）针对超精密磨削机床的监控需求和特点,基于NI sbRIO硬件平台设计了一套应用于超精密磨床状态监测和数据采集的嵌入式监控系统。根据采集和监测需求选定了系统的传感器和采集模块,继而根据机床的结构和设计特点选定了传感器的布置点位。根据系统需求和功能规划,编写了用于实现振动、温度、声发射等信号采集分析与诊断的FPGA程序模块和实时处理程序模块,为状态识别算法提供软件依托。为数据驱动诊断模型等算法的部署编写了相应的实时程序模块和诊断服务器脚本。（2）研究信号处理分析和模式识别算法,提出通过简单特征参数指标来实时判别简单故障与通过数据驱动的神经网络算法来进一步识别复杂状态相结合的诊断方法。研究了多层神经网络和循环神经网络等模式识别算法及其实现,基于多层神经网络、长短时记忆网络等建立机床关键部件的状态识别模型。（3）在精密磨削机床上进行了监控系统测试实验,采集了振动、声发射等信号,验证了嵌入式监控系统系统设计的合理性和正确性,并在实验数据分析的基础上确定了振动信号等判别故障的时域参数指标和频域频点。（4）通过小波包能量系数法提取声发射信号关于砂轮磨损的敏感频段特征,对其进行降维后作为输入来训练模型以识别砂轮的磨损状态,并对比了不同超参数下的长短时记忆循环神经网络和传统前馈神经网络的识别效果以获取最佳模型。结果表明长短时记忆循环神经网络模型可以准确识别砂轮的磨损状态,且误差比传统多层神经网络模型降低了 80%。