在金属切削加工过程中,刀具不可避免的会发生磨损,刀具的磨损情况与使用寿命关系到机加工零件的质量。针对机加工过程中的刀具磨损状态等问题,本文在比较信号数据后,利用铣削过程中X方向上的主铣削力作为监测信号数据,通过机器学习算法对刀具磨损状态进行分类与剩余寿命估计。计算结果表明,本文中所提出的融合算法可以有效地对后续加工过程的刀具磨损状态进行预测,且通过历史数据与当前的数据可以对刀具剩余寿命进行估计。本文的研究内容与结果如下:（1）系统介绍和分析了有关刀具磨损状态监测的国内外研究现状,指出了其所具有的科研价值与经济价值;对于刀具磨损状态估计,分析比较了不同机理的监测方法及其优缺点;针对剩余寿命估计问题,介绍了基于数据驱动模型与物理模型的相关应用与发展。（2）通过对三向铣削力数据进行比较分析,对主铣削力数据在时域、频域与时频域三个角度提取数据特征,采用主成分分析法对特征数据集的维度进行压缩,K均值聚类方法对压缩前后的数据进行聚类,结果表明,经过主成分分析法降维后,特征数据集仍然保留了关键数据信息,可以作为后续机器学习算法的输入特征值。（3）基于贝叶斯与信息熵理论分别构建了逻辑斯蒂回归模型与随机森林分类模型,分析了不同的正则化策略对逻辑斯蒂回归分类准确率的影响;利用网格搜索方法,得到泛化误差最优的随机森林参数,分类模型识别准确率分别为86.3%与97.5%。融合卡尔曼滤波算法或指数平滑方法,结合当前与历史铣削力数据模拟出后续铣削过程的铣削力数据,使用随机森林模型进行分类。在不同测试条件下,本文所提出两个模型的预测准确率分别为96.5%和99.6%,可以有效的预测出后续加工过程刀具的磨损状态。（4）提取刀具完整寿命下的切削力数据的标准差,建立混合威布尔分布模型,采用期望最大化算法对模型参数进行优化,使识别准确率上升19%。将混合威布尔分布的后验估计作为输入特征值训练神经网络,并对刀具已使用状态进行估计。最后借助卡尔曼滤波对后续铣削力进行模拟,提取模拟值的标准差带入混合威布尔模型估计其剩余寿命,计算结果表明,其估计误差约在3.3%。