在高速切削加工中，刀具寿命是一个重要的参数，它直接影响到刀具需求计划制定、刀具成本核算以及切削参数制定，从而影响到生产效率和加工成本。而刀具寿命取决于刀具的磨损，刀具寿命就是在使用中刀具磨损达到磨损标准所用的时间。由于刀具磨损影响因素很多，如果采用传统的经验公式进行刀具磨损的计算，不仅计算过程复杂，难以得到合理的结果，而且在新材料，新工艺中可能无从着手。因此有必要采用新的方法对刀具的磨损进行预测。　　 针对传统计算刀具寿命方法的不足，出现BP神经网络进行刀具的相关预测，与传统的计算方法相比较，神经网络算法通过操作简捷的建模和高效的网络进行学习，能快速学习这些物理量及其影响因素之间的变化关系。但是由于该算法的目标在于寻求对学习样本的精确学习，因此在小样本的情况下会出现过学习的情况，从而导致算法的泛化能力减弱。　　 本文提出最小二乘支持向量机构建刀具磨损预测模型，该方法基于结构风险最小化原则，因此能够克服神经网络算法中的过学习问题。该模型着眼于生产中的加工实验磨损数据，对现场中采集到的有噪声数据进行学习，并且使用该模型对同样情况的刀具磨损数据进行预测。并将数据输入到MATLAB进行仿真，多次仿真预测结果均方根误差都在0.02-0.03之间，表明该算法建立的模型有准确的刀具磨损预测能力。　　 最后，针对运行中的刀具寿命管理系统，对其数据的安全性进行分析和综合考虑，提出以SHA为核心的加密算法完成对核心数据的加密，针对数据备份情况，提出基于SQL2000的备份策略，从而提高系统和数据的安全性。