微铣削作为一项能够以较低成本直接制造高精度三维自由曲面和复杂微小零件的新型加工技术在航空航天、医疗、汽车、电子等领域得到广泛应用。随着在这些领域使用材料硬度的增加以及微铣刀尺寸的微小化，刀具失效相较于加工普通材料来说发生更加频繁。本文围绕刀具失效中的刀具磨损和刀具破损两个问题展开研究，以建立微铣削刀具磨破损状态监测系统为出发点，对微铣削刀具磨损和刀具破损状态监测算法进行了研究。论文的主要研究内容如下:　　(1)对国内外微铣削刀具状态监测的研究现状进行了分析。从传感器的选择、信号处理算法、特征选择算法、刀具状态的模式识别四个方面分析当前微铣削刀具状态监测的研究现状。在微铣削加工过程中一个有效的刀具状态监测系统是非常必要的。　　(2)分析了微铣削刀具全寿命试验并设计微铣削刀具磨破损实验。对微铣削刀具进行全寿命试验分析得到不同刀具磨损阶段的磨损量边界。以微铣削试验平台为对象建立了微铣削刀具磨破损状态监测实验系统，设计了以主轴转速、切削深度和进给速率的三个切削参数的不同刀具磨损状态实验以及刀具破损实验，采集了新刀与破损刀具在不同加工条件下切削时工件的振动信号和不同刀具磨损情况下工件的振动信号。　　(3)研究了微铣削刀具状态监测的信号处理算法。对刀具状态监测信号的特征提取方法及特征选择方法进行研究。首先，采用小波阈值降噪方法消去监测信号的高频噪声并提高信噪比;然后对监测信号在时域进行特征提取，通过对监测信号进行基于统计学量的特征提取，获取表征刀具状态的特征量。最后分析机加振动信号的特点，利用小波奇异性分析提取了反应刀具状态的李普希兹指数统计均值和方差的时频域特征，将有效时域特征与奇异性特征组成原始状态特征空间。　　(4)研究了基于主成分分析的特征选择算法。针对原始特征集维数高，先验知识缺乏的小样本情况，并结合刀具状态的多分类情况，提出基于主成分分析算法的特征选择算法，输出反映刀具状态的最优特征子集。　　(5)研究了自适应的微铣削刀具状态监测信号的模式识别算法并进行算法评估。首先叙述了多分类支持向量机原理，确定了支持向量机核函数类型;通过遗传算法参数寻优分别建立了磨破损状态的支持向量机识别模型;然后，针对磨破损实验数据对刀具磨破损状态识别算法进行评估。最后，通过识别模型的自适应式优化使识别准确率不断提高，将该方法应用于微铣削刀具状态监测具有实用价值。