在孔加工中，40％以上是深孔加工。由于深孔加工方式属于半封闭式，对于加工过程中钻头的磨损状态无法进行直接观察和测量，只能通过间接的方法获得加工过程中的钻头磨损状况，以保证孔的加工质量、提高生产效率、降低生产成本。因此，在线、实时地监测钻头磨损状态对实现加工过程自动化、提升制造业水平具有重大意义。　　本文以BTA深孔钻削系统为研究对象，针对深孔加工过程的特点，建立了以钻杆扭转振动信号为监测信号的深孔钻钻削状态监测方案，采集了钻头从锋利阶段至磨钝阶段整个过程的钻杆扭转振动信号，同时测量并记录钻头外刃外缘转角最大磨损量，绘制出相应的磨损历程曲线，表明了钻杆扭转振动信号与钻头磨损之间密切相关。　　在时域和频域分别对采集到的信号进行了分析，结果发现不同磨损状态下的扭转振动信号有区别，但是划分界限不明显，很难对钻头的磨损状态进行分类识别。针对振动监测信号的随机性与非平稳性的特点，提出采用希尔伯特黄变换（HHT）的方法对故障信号进行时频域分析，实现对钻头不同磨损状态下的信号特征提取。并对希尔伯特黄变换（HHT）进行了研究，提出一种基于镜像边界延拓改进的经验模态分解（EMD）方法。通过对模拟仿真信号的实例验证，证明了改进方法的有效性，能较好的解决EMD的端点效应。　　分析了钻杆扭转振动噪声的来源，利用故障噪声的自相关性和借鉴小波阈值消噪的原理，提出了基于自相关和阈值的EMD分解消噪方法，并用仿真信号对此方法进行了验证，证明了新方法在信号消噪方面具有的优势。　　通过改进的HHT方法提取时域信号的统计特征参量：均方根值、峰值、脉冲因子和峭度，并通过EMD分解后前六层IMF分量每层的统计特征参数作为预测模型的备选变量。与绘制的钻头磨损历程曲线对比，选择了IMF2的均方根值、IMF2的峰值以及IMF1的脉冲因子，这三组特征向量作为状态识别的输入样本。　　对相关向量机（RVM）分类识别方法进行了研究，根据其原理建立了相应的算法。通过仿真实例对此分类方法进行了验证，证明了该方法具有较高的识别精度，适用于小训练样本的分类。针对深孔加工过程刀具磨损状态建立相关向量机（RVM）分类模型，将提取出的相关向量输入模型进行识别，识别结果准确率为96%。说明了该分类方法对实际数据的识别准确率高，高效准确地实现了对刀具磨损故障状态的监测，为现有的深孔加工系统状态监测问题提供了一条新的途径。