在数控机床批量加工过程中,刀具磨损是一种必然现象。当刀具磨损严重时会对工件质量产生影响,甚至导致机床停机和操作人员受伤等问题的发生。因此对刀具磨损状态进行监测能保证及时更换或修磨刀具,从而提高生产效率和降低生产成本。本文以车削和滚切加工刀具为研究对象,对加工过程中采集的振动信号,分别采用传统机器学习和深度学习方法进行刀具磨损状态识别研究。本文研究主要内容如下:（1）在刀具磨损机理研究基础上,搭建了车滚刀具磨损试验平台,设计相应车滚刀具磨损试验,对试验过程中的振动信号和刀具磨损量进行采集和记录,根据磨损曲线进行磨损阶段划分。（2）提出了一种基于极端梯度增强（e Xtreme Gradient Boosting,XGBoost）的刀具磨损状态识别方法。分别从时域、频域和时频域对振动信号进行了分析,并提取相应特征,利用主成分分析法（Principal Components Analysis,PCA）对所提取特征进行优化,将优化后特征输入XGBoost中进行刀具磨损状态识别,结果表明该方法能有效、准确地识别刀具磨损状态。（3）针对传统机器学习特征提取阶段依赖个人经验的问题,提出了一种基于深度森林的刀具磨损状态识别方法。构建深度森林模型,利用网格搜索法对模型参数进行优化,将原始振动信号输入优化后的深度森林中进行刀具磨损状态识别,结果表明该方法在刀具磨损状态识别方面具有可行性和有效性。（4）为解决刀具磨损样本类别不平衡问题,提出了一种数据增强下基于深度森林的刀具磨损状态识别方法。在动态时间弯曲（Dynamic Time Warping,DTW）理论基础上,采用基于EB-DBA和Fast DTW的时序数据增强方法对刀具磨损样本进行优化,然后将数据增强后的数据集用于深度森林模型训练,最后对模型性能进行评估。评估结果表明该方法能准确识别刀具磨损状态,平均识别率达96.81%,相比于XGBoost模型平均识别率提高了6.79%,相比未采用数据增强的深度森林模型平均识别率提高了5.10%。