Dado que el desgaste de la herramienta se acumula en el proceso de corte, la condición de la herramienta de corte muestra una tendencia de degradación, lo que afecta en última instancia la calidad de la superficie. El monitoreo y la predicción del desgaste de la herramienta son de gran importancia en la fabricación inteligente. La señal de corte muestra aleatoriedad a corto plazo debido a materiales no uniformes en la pieza de trabajo, lo que dificulta el monitoreo preciso de la condición de la herramienta al depender de señales instantáneas. Para reducir el impacto de las fluctuaciones transitorias, este documento propone una nueva red basada en aprendizaje profundo para monitorear y predecir el desgaste de la herramienta. En primer lugar, se diseñó un modelo CNN basado en conexión residual para extraer características profundas de señales de múltiples sensores. Después de eso, se construyó un modelo temporal basado en un codificador y decodificador para el monitoreo a corto plazo y la predicción a largo plazo. Capturó las características instantáneas y las características de tendencia a largo plazo al explorar la dependencia temporal de las señales. Además, se propone un modelo temporal basado en codificador y decodificador para la corrección de suavizado para mejorar la precisión de estimación del modelo temporal. Para validar el rendimiento del modelo propuesto, se utilizó el conjunto de datos PHM para el monitoreo y la predicción del desgaste y se comparó con otros modelos de aprendizaje profundo. Además, se realizaron experimentos de fresado de CFRP para verificar la estabilidad y generalización del modelo bajo diferentes condiciones de mecanizado. Los resultados experimentales muestran que el modelo superó a otros modelos de aprendizaje profundo en términos de MAE, MAPE y RMSE.