本文针对机械加工中大量用到的切削刀具的磨损状态进行了监测方法的研究,主要做了以下一系列工作：首先,在分析刀具损坏机理和刀具磨损过程以及刀具磨钝标准的基础上,搭建了融合多传感器的刀具磨损状态监测实验平台,并且采集车削时不同切削条件下的振动和切削力数据。其次,详细分析经验模态分解方法的原理和分解过程,针对其存在的模态混叠不足采用改进的总体经验模态分解方法。尝试性的将该方法运用于刀具磨损振动数据的分析处理上,抽取经过分解后的各IMF分量的能量百分比值作为表征刀具磨损量的特征值,并且详细分析证明了所提取特征值具有很好的重复性和差异性。此外,介绍了统计知识基础和基于结构风险最小化原理的支持向量机的基本思想、理论特点。将运用EEMD分解法提取的振动数据能量百分比值和切削力均值作为输入支持向量机的训练样本和测试样本,建立支持向量机分类器模型,经过测试样本的验证发现支持向量机能够对EEMD能量百分比特征值进行正确的分类识别。最后,经过对比BP和RBF神经网络与支持向量机分类器对刀具磨损状态的识别,发现支持向量机在识别精度、训练时间和对模型结构的依赖程度等方面表现出很好的优越性。本文将EEMD分解方法与支持向量机结合起来运用到刀具磨损状态监测中,得到预想的结果,丰富了刀具磨损状态监测的研究方法,也为进一步实现在线监测提供一种理论依据。此外还对比分析了神经网络和支持向量机在分类识别应用中的特点,为后续的识别模型选取提供一定的理论参考。