随着深孔加工过程自动化技术的日益发展，钻头作为其中最薄弱的环节已成为制约深孔加工技术发展的瓶颈。研究和开发钻头磨损状态监控技术对实现加工过程自动化、提升制造业水平具有重要意义。论文以深孔钻削过程为研究对象，对刀杆位移和钻削噪声信号特征提取以及基于钻头磨损监测技术进行了系统的理论与实验研究。　　 对BTA深孔钻削过程的特点、故障形式以及刀杆行为特征进行了分析，针对深孔钻削过程钻头故障特征信号提取困难的问题，建立了以刀杆位移和钻削噪声作为监测信号的钻头磨损监测实验系统。　　 对希尔伯特黄变换(HHT)进行了研究，提出了消除模态裂解端点效应的改进方法。采用形态滤波方法对信号进行预处理，提高了HHT模态裂解的准确性。对短时傅里叶变换、Wigner-Ville分布、小波变换以及HHT方法的时频分辨率进行了对比研究，证明了HHT具有良好时频特性。采用希尔伯特黄变换(HHT)对故障信号进行时频域变化特征分析，实现了钻头磨损信号特征的提取。　　 针对钻头磨损状态特征模式高度重叠的特点，本文结合遗传算法的高效搜索特性和支持向量分类器的优良分类性能，提出采用遗传．支持向量机(GA-SVM)解决钻头磨损状态的监测。研究了SVM在实现非线性模式分类时的算法实现原理，针对SVM训练过程中存在欠学习和过学习的问题，利用遗传算法(GA)对SVM中的核心参数c和σ2进行优化，建立了基于遗传．支持向量机的状态识别模型。并通过仿真实例验证了该算法在处理高度重叠模式分类方面所具有的独特优势。　　 基于DSP开发平台建立了深孔钻削过程钻头磨损嵌入式监测系统，完成了系统配置。在CCS集成开发环境下，采用C++/C语言开发了数据采集、上位机通讯、信号处理、状态识别与报警等应用程序。通过对实际钻削过程的监测实验，表明本文建立的钻头磨损监测系统具有实时性好、准确性高的特点，为实现深孔钻削钻头磨损状态监测提供了一种有效方法和手段。