有效的刀具状态监测与刀具寿命预测可以提高加工效率与加工精度,具有重要的研究价值。对刀具进行磨损值在线预测是一个模式识别过程,该过程包括信号采集与处理、特征提取、建立磨损值与特征的非线性关系三个环节。目前刀具磨损值预测研究主要针对于直线切削过程,然而实际铣削加工过程往往有着复杂的刀具轨迹。当刀具的轨迹发生变化时,传感器信号以及从中提取的特征值均会同时受到刀具轨迹与刀具磨损的影响,这为刀具磨损值预测带来了巨大挑战。因此在复杂铣削轨迹下进行刀具磨损值预测成为了亟待解决的问题。同时基于粒子滤波算法的剩余使用寿命预测方法存在着无法自适应调整状态方程问题,使得对于刀具磨损趋势变化的情况下进行未来时刻刀具磨损值的预测出现偏差,降低了寿命预测的精度。针对传统特征提取过程中易受到变化的刀具轨迹的影响,无法有效预测刀具磨损值问题,本文将复杂铣削轨迹的工况分为两类,第一类是非周期性复杂铣削轨迹,第二类是周期性复杂铣削轨迹,并针对这两类工况分别提出了信号变化率特征与周期性特征。为验证两类特征对于复杂铣削轨迹下刀具磨损值预测的有效性,本文设计了两种工况下的刀具全寿命周期切削实验,实验过程中采集切削力信号,提取特征信息。通过BP神经网络分别进行刀具磨损值预测,发现所提出的特征进行刀具磨损值预测的精度要高于传统特征。同时针对传统粒子滤波算法无法自适应调整状态方程问题,提出了混合趋势粒子滤波算法有效解决了这一问题,提高了寿命预测的精度。本文的研究结果表明基于所提特征的BP神经网络模型可以有效实现在复杂轨迹切削过程中刀具磨损值预测,且提出的混合趋势粒子滤波算法可以准确预测刀具磨损趋势变化时的刀具寿命。