刀具是机械加工中非常重要的组成部分，加工精度的高低在很大程度上取决于刀具的磨损程度，并且是制约自动化、无人化加工的重要因素，而在加工过程中刀具的磨损却是不可避免的，所以很有必要对刀具的磨损程度进行在线监测。本文完成了基于多传感器信息融合的刀具磨损在线检测系统研究，实现了刀具磨损量的在线检测。首先，校验了传感器和信号采集设备，搭建起了声发射（AE）信号和振动信号的采集系统，做了传感器的安装位置试验，并得到了AE传感器和振动传感器的最佳安装位置；其次，针对试验简单有效的原则，选择了利用正交试验法进行试验，并分析了影响信号的所有因素，最终确定了四个主要因素：磨损程度、主轴转速、进给速度和切削深度，并设计了4因素4水平的正交试验表，在此基础上进行了“因子对数据的影响试验”和“不同磨损量的刀具加工试验”，并获得了所需试验数据；然后，对数据进行了时域、频域和时频域的分析，并利用小波包分解和正交试验法找到了最佳信号特征，其中振动信号的特征为（1.95KHz~3.9KHz）频段、（5.85KHz~7.8KHz）频段，AE信号的特征为（125KHz~156.25KHz）频段、主轴转速；最后，利用BP神经网络建立了基于特征层融合的信息融合系统，实现了刀具磨损量的在线判别。本文对传感器技术、信息采集技术、小波包分解和基于神经网络的信息融合技术进行了积极的研究与探索，并有了深刻的理解，特别是在信号特征的选取方面，首次采用正交试验法进行特征的选取，这样既可以得到磨损程度对信号的影响程度，又能分析其它因素对信号的影响，最终可以找到能够很好的反映刀具磨损程度而不易受其它因素影响的特征，进而可以提高融合结果的准确度。