刀具磨损状态监控对于保证工件加工质量以及提高生产加工效益具有非常重要的意义，传统机器学习方法建立的刀具磨损监测模型需要数据处于相同的分布下，这就需要在加工一批相同工件时有较多的数据进行训练，但是单件小批量生产的工件同参数加工的工件数据较少，无法满足训练要求。考虑将其他参数下的数据来辅助训练，实现变参数刀具磨损监测。和同参数情况不同，当切削参数变化时,采集的物理信号和特征量会同时受刀具磨损状况和切削参数改变这两个因素的影响,使得不同参数下的数据处于不同的数据分布，为了使用其他参数刀具磨损数据来对一个参数刀具状态进行监测，可以使用迁移学习，因为迁移学习可以从现有的数据中迁移知识，来帮助将来的学习。分析实验主轴电流信号和主轴振动信号对于磨损监测的优劣，本文展开了基于机床主轴振动信号的变切削参数刀具磨损监测研究。　　（1）通过查阅文献，了解了当前刀具状态监测技术的发展情况，梳理了当前主流的刀具状态监测技术，分析了各种信号处理和状态特征提取技术，总结了当前刀具状态检测技术的不足及其发展趋势。　　（2）制定了变切削参数刀具状态监测研究的总体思路和技术方案。基于总体研究思路，设计了数据采集实验方案，搭建加工过程状态数据采集实验平台。　　（3）对采集到的不同参数加工过程中的状态信号数据做预处理，便于进行特征分析。从时域、频域角度对信号进行特征分析，对比不同特征数据特征的差异。　　（4）通过提取到的时域、频域特征构建特征向量，采用迁移学习算法建立各类刀具状态分类模型，以信号的特征向量为分类的输入，有效辨识加工过程中刀具的实际状态。最终可针对小批量生产的刀具磨损状态进行识别，提醒及时换刀，改善加工质量，增加企业效益，降低生产成本。