氧化锆工程陶瓷在机械、航空航天、国防、汽车、工具、化学工程、铸造等领域有着广泛的应用,市场上对氧化锆陶瓷的需求量越来越多,对其质量要求越来越高。传统的氧化锆陶瓷加工方法多为磨削加工,但该工艺方法的材料去除速率低且存在不同程度的微观裂纹,难以获得高表面质量。“激光-切削”复合加工技术的出现,可以实现氧化锆陶瓷的高效塑性去除,得到高质量的表面。但是,如何对其加工过程的塑性状态进行监控,仍是国际上亟待解决的科学难题。为解决这个问题,本课题提出利用声发射检测技术来实现加工状态监控。通过分析工艺参数变化、不同加工状态对声发射信号的影响,为“激光-切削”复合加工氧化锆陶瓷加工状态监控以及实现自动化提供了理论支持。主要完成的工作如下:（1）查阅文献资料,整理了与该课题密切相关的声发射检测技术和“激光-切削”复合加工技术的国内外发展和应用情况;（2）根据实验要求搭建起实验平台,主要包括切削系统、加热系统和声发射信号检测系统,介绍了各系统主要设备的型号和参数配置,阐述了实验方案设计,包括前期实验探索和课题实验参数的选择等,详细分析了氧化锆陶瓷不同切削状态的加工效果;（3）简要分析了“激光-切削”复合加工氧化锆陶瓷过程中应用声发射检测技术监控加工状态的可行性。通过分析不同工艺参数对应的声发射信号,从时域和频域范围找出了声发射特征随工艺参数变化的规律。通过对不同加工状态的声发射信号进行时域和频域分析,找出了与氧化锆工件加工状态强相关的声发射特征,并提取出三个可用于加工状态识别的声发射特征:有效值电压、上升时间和187.5～250KHz能谱系数;（4）结合提取的声发射特征,分析出在塑性加工状态下工件表面粗糙度伴随声发射特征改变的变化趋势,在保证塑性加工状态基础上给出了理想的声发射特征值;（5）以提取出的信号有效值、上升时间和187.5～250KHz能谱系数为输入参数,用决策树机器学习分类模型比较准确的识别了工件的塑性加工状态和非塑性加工状态。基于BP神经网络,以声发射特征为输入参数,预测了工件表面粗糙度并取得较好的效果。分类模型和预测模型的建立为实现氧化锆陶瓷自动化加工积累了宝贵的经验。