随着现代航空技术迅速发展,对钛合金类结构件加工提出了更高的要求,制造业也随着信息技术的发展逐渐转型为先进智能制造,逐步实现高精高效加工、连续化和智能化加工。先进智能制造中通过采集和分析相关信息数据,实现在线监测,根据监测结果对制造和生产过程做出合适调整和控制,以提高生产效率和能力。本文针对钛合金铣削加工时刀具磨损迅速且无法准确评估的问题,利用不同机器学习方法构建了铣削加工时的刀具磨损监测模型,通过监测加工中的各类信号,准确识别了刀具磨损情况。首先,分析不同监测信号和方法特点,选择合适的信号组合（声发射+切削力+温度+扭矩）当作监测信号。挑选合适的小波基对信号降噪;提取不同信号时域、频域和时频域的特征参数进行分析,并与加工参数共同构成202维的刀具磨损特征集;利用主成分分析法（PCA）和t-分布随机邻域嵌入（t-SNE）两种方法对全特征集降维,并生成对应特征集。对比不同小波基对应尺度图的分析效果,选择复Morlet小波尺度图当作深度学习刀具磨损监测模型的输入。其次,构建基于最小二乘支持向量机（LS-SVM）的刀具磨损监测模型。分析两种传统的寻优算法并改进,介绍改进后的寻优策略和过程,使用多种算法对LS-SVM中的关键参数寻优,提高模型识别精度和效率;对比不同特征集与不同模型的匹配度,选择最优方法实现刀具磨损准确监测。最后,构建基于深度学习的刀具磨损监测模型。卷积神经网络（CNN）与长短时记忆网络（LSTM）联合的刀具磨损监测模型,使用CNN提取轴向切削力小波尺度图中的深层刀具磨损特征信息,用LSTM分析特征间联系实现刀具磨损准确识别,引入注意力机制（ATT）合理分配特征权重,提高模型的监测性能;分析对比不同参数对应不同模型的性能,并利用评估标准评价本文提出的ATT-CNN-LSTM模型和其他模型的综合性能。实验结果表明,两种改进后的寻优算法优化的LS-SVM模型与合适的特征集搭配后,准确率都可达97.5%以上,明显优于其他传统机器学习监测方法。本文提出的ATT-CNN-LSTM模型的各类评估标准的表现更好,模型的可靠性更高,监测准确率可达98.5%左右,优于传统机器学习监测方法。