微铣削是最常见的微制造工艺之一,在生物医学、电子和航空工业中具有广泛的应用。它不仅可以在各种材料中制造具有复杂特征的几何形状,还能够快速实现微纹理和微图案加工,并且由于现代技术设备组件的小型化、精密化趋势加快,微铣刀加工应用越来越广泛。但是微铣刀比常规铣刀磨损更快,单靠人工实现对微铣刀磨损检测会造成大量的资源浪费,提高生产成本。因此本文结合深度学习模型提出一种微铣刀磨损自动检测方法。主要研究内容如下:（1）实现了信号采集与特征提取。首先针对微铣刀磨损特性,搭建了用于采集加速度信号的微铣刀磨损检测实验平台。接着使用现代信号处理方法对采集好的信号在时域方面与频域方面进行特征提取。然后对比各种常用的时频处理方法,使用变分模态分解法对信号进行4层模态分解,并将各层能量比系数作为时频特征。（2）完成了特征降维工作。首先对特征数据集进行Min-Max标准化处理。然后采用KPCA降维方法对数据进行主成分分析,选择累计贡献率大于95%的6个主元作为后续模型输入特征。（3）提出了基于LSTM的微铣刀磨损状态识别模型。首先将特征数据以时域、时域和频域以及降维后的特征分别输入网络,验证了前期特征处理与降维的必要性。然后讨论了不同轴向特征对模型结果的影响,得出了识别效果最高的组合特征。最后与GRU网络和Bi LSTM网络比较,证明了LSTM模型在微铣刀磨损特征识别方面更具优势。（4）建立了基于LSTM的多维时间序列预测模型。首先介绍了网络结构、算法原理和数据集划分,提出了对微铣刀每次走刀磨损值进行预测的方法。然后介绍了ARIMA预测模型的组成原理,关键参数的计算方式。最后综合总体预测效果与RMSE值对两个模型进行比较,验证了提出模型的有效性与精确性。