高档数控机床主要指大型、精密的数控机床，发生的故障不容易被检测到。工业统计表明，刀具失效是引起数控机床故障的首要因素，并由此引起的停机时间占机床停机时间的1/5～1/3，而刀具磨损又是刀具失效的主要形式，在金属切削加工中难以避免，它直接影响到工件的加工质量，降低数控机床的加工效率。因此，研究数控机床刀具磨损状态具有重大意义。　　本文构建了立式加工中心刀具磨损监测试验系统，通过分析切削加工过程中的声发射信号和电流信号在不同的刀具磨损阶段的变化，提取了信号与刀具磨损状态相关的特征值，根据这些特征值与刀具磨损状态的对应关系，在研究模式识别理论的基础上，训练出BP神经网络，并用随机样本对神经网络进行了验证。最终把这些信号分析方法和BP神经网络的模式识别应用于类似的实际的加工过程中去，以判断实际加工中刀具处于哪一个磨损阶段。　　声发射信号、电流信号在金属切削加工中具有分辨率高，抗干扰能力强，传感器容易安装等优点，更容易进行现场操作。本文首先对提取到的这两种信号进行滤波去噪，之后对相对纯净的信号做时域、频域、时频域分析，总结出四种与刀具磨损量密切相关的特征值，包括:AE信号能量、AE信号在125～250KHz频段的均方值、AE信号在300～400KHz的能量比、电流信号均方值。最终，BP神经网络通过这些特征值成功地识别了刀具的磨损状态。　　在此理论基础上，本文还讨论了基于ARM的刀具磨损监测设备的开发，进行了相关的电路和应用程序设计，最终利用该设备进行了电流信号的实时监测。