钛合金具有比强度高、耐高温、耐腐蚀性好等优点，被广泛应用于飞行器结构件。但钛合金是典型的难加工材料，在加工过程中刀具的磨损是个突出的问题。刀具的磨损不仅直接影响工件的加工精度和表面质量，还影响到工件的加工成本和生产效率，因此有必要对钛合金铣削中刀具的磨损做出实时监测。本文以钛合金TC4为铣削加工对象，研究在其切削加工中如何建立有效的刀具磨损状态监测系统。选择声发射信号作为监测信号，采集和分析不同切削条件下刀具的声发射信息。分析结果显示：声发射信号难以单纯地从时域或频域提取到有效的特征。因此采用参数分析与局部均值分解相结合的方法，提取信号的振铃计数、均方根、能量计数及局部均值分解后的平均能量值，共同作为能够反映刀具磨损状态的主特征。同时，切削参数在一定程度上也影响着刀具磨损状态的变化，把主轴转速、进给量、轴向切深和径向切深作为辅助特征。利用主元分析法消除特征向量间的相关性，得出主元数据作为样本数据输入到识别模型中。本文分别基于BP神经网络和支持向量机建立了刀具磨损状态识别模型，通过实验验证，结果表明：在相同样本的情况下，支持向量机表现出更好的分类性能，不仅测试识别准确率高于BP神经网络，训练时间也明显小于BP神经网络。