工业生产中刀具状态影响工件加工的质量,有效的刀具状态监测与诊断系统能够降低生产成本、提高生产效率和产品质量。本文在分析刀具状态监测与诊断系统研究现状基础上,采集铣削加工过程的切削力信号并对刀具状态监测与诊断进行了研究。论文从系统需求分析出发,构建了数控机床铣削刀具状态监测实验平台,并设计了实验方案,通过正交实验采集了不同磨损状态下的铣刀切削力信号,为后面的信号处理与特征提取提供数据来源。为了提取能够很好反映刀具状态变化、并对切削用量变化不敏感的特征,论文对铣削加工三个方向切削力信号进行时域、频域和小波包分析,提取峰值、均方根值、小波包能量等特征。针对生产实际中刀具切削条件诸多变化,对特征进行敏感度分析,采用平均相对变化率这一指标来衡量特征对刀具状态和切削用量的敏感度,通过分析证明这些特征能够有效的反映刀具状态变化。在对这些特征分析的基础上,提出采用切削力各方向特征的比值的方法,对特征选择进行了进一步优化。为了深入研究特征比值的规律,从铣削用量四要素四个方面分别对其进行敏感性的分析,分析结果表明采用特征与特征比值组合优化的特征向量作为刀具状态诊断的指标能够达到较好的效果。为了对刀具状态进行诊断,论文分别构建了基于BP神经网络和支持向量机的刀具状态监测与诊断模型,通过对比分析,两种模型都具有较好的识别精度,但BP网络存在收敛速度慢的缺点,认为支持向量机更适合用于刀具状态诊断识别。在对系统相关技术研究的基础上,对原型系统了进行设计。