航空航天装备的长寿命和高可靠性要求决定了此类零部件在加工过程中的高复杂性、高风险和高难度。铣削过程对保证零件最终的工作性能和使役寿命具有重要作用,而在线监测是确保这一过程能够高质高效实施的重要途径。本文以航空结构件铣削过程中的典型工艺为研究对象,深入研究以声发射信号的时频特征提取和切削状态的聚类诊断为监测手段的铣削状态无监督监测理论与方法。在深入分析了铣削过程中声发射信号特性的基础上,建立了基于离散小波分解的声发射多分辨率分析方法,实现了声发射信号的敏感频带提取。建立了基于短时傅里叶变换的声发射信号时频图获取方法,针对时频图容易受到铣削过程中信号能量波动干扰的问题,提出了时频图归一化的方法,实现了对声发射信号瞬时频率成分时变特性的表征。系统的构建了基于时频图的声发射信号特征集,包括时频图的能量特征、时频图的时域和频域拓展特征以及时频图的內禀特征。提出了基于互相关系数的无监督特征降维方法和两种滤波式特征选择指标,实现了声发射信号最优特征集的获取。创建了基于毗邻网格搜索的聚类算法（CAGS）,该算法能够自动识别数据中的类别数量,计算效率不受样本数量的影响。同其它基于网格的聚类算法相比,该算法具有更高的聚类精度和鲁棒性,且模型参数具有较好的可解释性。采用国际通用的标准数据集对算法的有效性进行了评价,结果表明本文提出的聚类算法在处理噪声数据的能力、处理大规模数据的能力、处理高维数据的能力、处理复杂形状数据的能力、处理类间密度差较大数据的能力和处理类簇边界相连数据的能力这6个方面具有普遍的优越性,适用于工程中的应用。基于CAGS分别建立了面向单调多分类问题和随机二分类问题的无监督状态监测框架,并分别应用于转角周铣刀具磨损的监测和镍基合金精铣过程表面缺陷的监测。根据声发射时频特征空间中样本的分布状态随刀具磨损的演化规律提出了类簇密度因子指标,实现了对转角铣削刀具磨损状态的聚类监测与诊断;根据声发射信号时频特征值随表面粗糙度和表面缺陷的演化规律提出了镍基合金铣削过程表面缺陷监测的两步辨识框架,实现了对镍基合金精铣过程表面缺陷的聚类监测与诊断。本文的研究成果对于实现具有复杂型面和高精度要求的航空结构件铣削过程状态监测,提高我国航空航天智能制造水平具有重要的理论意义和实用价值。