刀具磨损状态监测对保证工件加工质量和提高加工效率具有重要的实际意义。对刀具磨损状态进行监测其实质是一个模式识别过程，通常需对切削过程中的传感器物理信号进行采集，并从信号中提取有效特征量，然后建立特征量与刀具磨损状态之间的关系，最终通过模式识别模型对未知特征样本进行分类识别，从而达到监测刀具磨损状态的目的。目前刀具磨损状态监测研究大都针对定参数展开，而实际的切削加工往往都是在变切削参数下进行的。与定参数情况不同，当切削参数变化时，传感器物理信号和特征量会同时受刀具磨损状态和切削参数变化的影响，这将大大降低刀具磨损状态监测的精度和鲁棒性。因此如何实现变参数下的刀具磨损状态监测已经成为一个亟待解决的问题。针对切削力旧有时域特征易受切削参数变动影响，因而不适用于变参数铣削刀具磨损状态监测的缺陷，本文提出了一组新的无量纲切削力时域特征：归一化切削力指标（NCF）、变异系数（Cv）和峰值力比（MFR）。为验证新特征在变参数铣削刀具磨损状态监测上的有效性，本文设计了TC4钛合金变参数铣削实验，实验过程中对每组切削参数下对应四种刀具磨损状态的切削力信号进行了采集，而后分别从切削力信号样本中对新特征和旧特征进行了提取。基于支持向量机（SVM）出色的小样本学习和泛化能力，本文将从相同切削力信号样本中提取到的新特征和旧特征分别应用到变参数铣削刀具磨损状态的分类监测中，分析和比较结果表明无论首先利用哪种特征向量样本对支持向量机模型参数进行优化，其结果都是利用新特征向量进行刀具磨损状态分类的识别精度高于用旧特征向量进行磨损状态分类的识别精度。研究结果表明，基于本文提出的无量纲切削力时域特征的SVM模型具有分类精度高、鲁棒性好等优点，能够很好地实现变参数铣削刀具磨损状态监测，这对提高实际加工中的工件表面质量和加工效率具有重要意义。