近年来,随着大数据、人工智能、物联网等新技术的兴起,制造业智能化发展得到了全新的启示。机械加工作为制造业的重要过程,一旦加工状态出现异常,如果无法在短时间内监测到异常,会造成巨大的资源浪费和经济损失。机械加工过程状态监测是保证加工过程有序完成的重要手段,是智能制造领域研究的关键内容。递归分析作为研究非线性时间序列的有效工具,在研究机械加工数据领域有着良好的效果。本文以现代制造业中广泛使用的流水线生产模式和多样化个性化的小批量生产模式为主体,针对两种生产模式下的机械加工过程分别建立了两种以递归分析为基础的状态监测的模型,并通过实验验证两种模型的有效性。首先,本文研究了相空间重构原理和递归分析基础,并验证了递归分析在处理机械加工过程中功率信号的有效性。其次,本文研究了流水线生产模式的运行特点,建立了一种基于递归分析和控制图分析的状态监测模型:（1）收集工件历史加工功率信号作为样本,对样本数据进行递归分析得到递归定量参数;（2）通过递归定量参数构成多元观测矩阵并进行控制图分析,得到样本数据的统计量;（3）实时加工工件功率信号通过递归分析后依次加入多元观测矩阵并进行控制图分析,通过观测控制限,实时监测机械加工状态。随后,本文研究了小批量生产模式的运行特点,建立了一种基于交叉递归分析和机器学习的状态监测模型:（1）根据加工计划取少量工件进行试加工;（2）将预处理后的试加工工件功率信号输入深度信念网络,进行预训练和微调,得到训练好的深度信念网络。将实时加工工件功率信号输入训练好的深度信念网络对加工工件种类进行识别;（3）基于工件识别结果,将工件的实时加工功率与同类工件的试加工功率进行交叉递归分析,基于交叉递归分析结果,运用迭代自组织数据分析算法实时监测机械加工状态。最后,本文根据两种生产模式分别设计实验,并通过实验验证了两种状态监测模型的有效性。