随着国民经济、国家制造业的快速发展,智能制造、无人化工厂应运而生。在实际加工生产中,因为不能实时掌握数控机床的运行状态,这为智能制造带来了阻碍。本文围绕数据采集、信号特征提取、主轴振动状态监测以及表面质量预测分类四方面展开研究。采用了基于改进集合经验模态分解与局部切空间排列算法相结合的研究方法,并建立了主轴振动状态监测以及工件表面质量预测分类模型,实现了主轴状态监测和表面质量预测分类功能。首先,研究了主轴系统的振动信号特性及分类,并讨论了主轴振动状态的影响因素。根据分析结果以及实验室现有设备条件,使用三轴加速度计、数据采集卡以及机箱作为硬件设备。再根据硬件设备参数及使用功能对采集系统需求进行详细分析,并基于Lab VIEW开发了一套主轴振动数据采集系统。其次,提出了一种改进集合经验模态分解与局部切空间排列算法（EEMD-LTSA）相结合的特征提取方法。本方法基于信号极值点分布均匀性对EEMD关键参数进行优化,再使用局部切空间排列算法自适应地融合了与振动状态密切相关的IMF分量。该方法可以自适应的向原始信号中添加合适的白噪声,解决了传统EEMD中参数的选择问题,有效缓解了EMD的模态混叠现象,最后通过LTSA流形算法对多层IMF矩阵进行降维处理。本方法所得到的特征向量既包含了原始信号有效特征信息,又提高了运算速度。然后,基于改进的EEMD-LTSA特征提取方法,对数控加工中心主轴振动状态进行监测,并根据具体实验验证了该方法的有效性。第一步设置了三种主轴振动状态的铣削实验,并采集了大量主轴振动数据;第二步使用本文提出的方法对三种状态的数据进行分析,提取能够表征振动状态信息的AR功率谱特征量;最后导入一种基于交叉验证优化参数的SVM中进行分类监测验证。从实验结果可知本方法提高了预测准确率,大幅缩短识别时间。最后,分析了表面粗糙度形成原理,建立了表面粗糙度理论模型,运用理论模型对原理进行详细阐述。接着探究机床加工表面粗糙的影响因素,对典型的铣削粗糙度进行了理论计算。最后设计铣削实验采集铣削过程中主轴的振动信息和切削力信息,提取有关时域特征探究加工过程主轴振动与工件表面质量的映射关系。综上,本文使用EEMD-LTSA方法提取功率谱特征,实现了对三轴立式加工中心主轴状态的监测,与其他方法相比优势明显。此外,本文还通过提取主轴振动与切削力时域信息,对工件表面质量进行分类预测,也为实际生产带来一定指导意义。