金属切削加工过程中刀具的选择及其状态会直接影响加工工件的精度及其表面粗糙度。在生产过程中，如果因刀具的失效而导致某一关键设备因故障而不能正常运行，会影响整个系统的生产运行，带来巨大的经济损失甚至造成人员伤亡。因此，研究刀具的失效状态有重大意义。文中根据电流信号具有信息集成度高，且在对多台机床的刀具失效诊断时更能发挥其优越性的特点，选取机床加工的总工作电流信号作为刀具失效的监测信号，并同时选用具有非入侵式安装特点的霍尔电流传感器采集车床的工作电流信号。在分析了用电流信号监测刀具失效状态的可能性之后，以多台型号为C2616-1B的车床为例，通过大量的车削实验获得真实有效的电流信号，分别对单台车床刀具的失效和多台车床刀的具失效进行了研究。通过小波包分解的方法对信号进行分解，然后提取对刀具失效敏感的节点重构信号的4阶标准熵，并对其采用了一定的处理方法实现了对单台机床刀具失效的检测；采用小波分析与傅里叶变换结合的方法处理与分析采集到的电流信号，提取50HZ谐波处幅值的方差作为特征参量，发现可以根据提取的特征参数的波动特性判断刀具是否发生故障；提出利用载波周期能量信号单台刀具失效状态进行检测。在对多机床的刀具失效状态诊断中，先采用功率谱估计和傅里叶分析结合的方法剔除部分可判断刀具失效状态的电流信号，然后采用支持向量的方法对剩余的电流信号包含的刀具失效状态进行诊断，实现了在实验条件下两台机床中单一刀具失效的诊断，并根据总工作电流信号的傅里叶变换谱图的中对失效车床敏感的频段初步实现对刀具失效车床的判断。最后在对比分析了经验模式分解方法对小波包分解技术的优点后，采用经验模式分解的方法对三台机床的总工作电流信号进行分解，提取四个内禀模态函数的能量、方差作为刀具失效诊断的特征向量对支持向量基进行训练，初步实现三台车床的单一车床刀具失效诊断。