在机械加工中,通常由工人的主观经验判断刀具的剩余寿命并对刀具进行更换。使用这种传统的方法通常将难以把握换刀时间点,从而导致机床的停机时间增加、刀具利用率降低。准确把握刀具磨损状态、及时更换已达寿命的刀具、保证刀具的充分利用是提高刀具利用率及生产效率的关键。因此,刀具状态监测（Tool Condition Monitoring,TCM）技术应运而生,该技术通过自动化地监测刀具磨损状态。提醒工作人员换刀,可有效地降低加工中的停机时间,从而控制加工的时间及资金成本。本文通过将机器视觉与声发射（Acoustic Emission,AE）相结合,并以此来实现刀具磨损状态的监测。一方面,使用直接法中的机器视觉法,通过分析刀具磨损区域的图像,直接计算求得刀具的磨损状态及磨损量;另一方面,提取加工中产生声发射信号的特征,从而建立概率模型,间接地映射出刀具的磨损状态。本文的主要研究内容如下:（1）刀具磨损的形式、磨损状态的变化过程及国际通用磨钝标准进行了阐述。针对镍基合金,提出以后刀面平均磨损宽度VBave与最大磨损宽度VBmax作为本文的磨钝标准。此外,验证以后刀面磨损面积AVB作为指标反映磨损程度的可行性。最后,搭建监测平台,实现复杂条件下图像与信号的采集;（2）对机器视觉部分进行设计,首先通过电荷耦合器件（Charge-coupled Device,CCD）相机采集刀具图像,然后通过结构相似性算法（Structural Similarity Index,SSIM）选取刀刃图像,实现图像的自动获取,通过Harris角点检测实现感兴趣区域（Region of Interest,ROI）的自动提取。最后,通过一系列图像处理方法从刀具图像中分别提取VBave、VBmax与AVB等刀具磨损几何参数;（3）以镍基高温合金GH4169为加工对象,开展铣削试验。首先,将视觉监测系统计算所得磨损量与真实磨损量相对比,对该系统进行精度验证。其次,开展全寿命铣削试验,在加工过程中采集随刀具磨损程度而变化的声发射信号,并通过该视觉监测系统对刀具磨损状态进行判断;（4）对声发射信号进行分析,选择时域与时频域特征,以此映射全寿命过程中刀具的磨损状态。通过遗传算法（Genetic Algorithm,GA）、粒子群优化（Particle Swarm Optimization,PSO）算法及支持向量机（Support Vector Machine,SVM）建立概率模型。从而实现磨损状态的识别。