研究刀具磨损状态监测技术不仅可以实时的监测刀具状态，延长刀具寿命，而且可以降低成本，提高工件加工质量等。在自动化生产系统中，能够很好地保证工作人员的安全。由此可见，该研究具有很高的实用性价值。刀具磨损状态监测技术主要包括三个步骤，即监测信号的选取、信息处理技术、刀具磨损状态诊断与识别。在机械加工过程中，由于声发射信号与刀具磨损状态相关性高，而且声发射传感器易于操作，故本文选取声发射信号作为监测信号。信息处理技术是运用HHT(Hilbert-Huang Transform)分析技术并结合最佳小波包滤波预处理进行的。由于采集的信号往往会有部分干扰，所以不能直接用于刀具磨损状态识别，须先进行滤波，本文讨论了最佳小波包滤波、stein无偏似然估计滤波和HHT滤波三种滤波方法，综合对比后发现最佳小波包滤波适合作为信号分析的预处理器。HHT方法是一种自适应信号处理方法，能将信号的各种频率成分以IMF (Intrinsic ModeFunction)的形式从时间曲线中分离出来，但HHT是一种新方法，存在需改进的地方，本文针对EMD（empirical mode decomposition）的端点效应、停止准则和虚假分量作了改进处理。在三种刀具磨损状态下，提取多组IMF分量归一化能量和EMD能量熵作为特征值，实验验证发现：IMF分量的归一化能量随着刀具磨损程度的加深，高频分量逐渐增多，低频分量逐渐较少；而EMD能量熵是随着磨损程度的加深，数值逐渐较小。因支持向量机在小样本、非线性的情况下具有较好的泛化能力，故本文将支持向量机作为刀具磨损状态的分类器，并将提取的特征值作为其训练样本和测试样本，由于特征值无法线性分开，故需利用非线性支持向量机进行识别，选取最小二乘支持向量机对刀具磨损状态进行识别，结果表明：最小二乘支持向量机可有效地识别出刀具磨损状态。