数控机床由于其高度的稳定性、自动化、精确性和适应性等优点,已经成为自动化制造生产的重要组成部分。生产加工时刀具与被加工工件相互接触、摩擦,导致刀具成为了数控机床中最容易损坏和浪费的基础零部件。有效的识别和监测刀具的磨损状态是确保加工件精度以及降低生产成本的关键。本文以刀具的振动监测信号为研究基础,搭建了基于数据驱动的深度学习刀具磨损状态识别模型,实现了对刀具磨损状态的精确识别。并开发了一套以本文改进的深度学习算法为核心的刀具磨损状态识别系统。本文的研究内容主要有如下4个方面:（1）从刀具磨损机理的角度介绍了刀具的不同磨损状态、刀具发生磨损的原因、刀具的整个磨损过程以及刀具的磨钝标准,同时比较了各种传感器的优缺点,并选择振动监测信号作为刀具磨损状态识别的原始信号进行后续研究。通过无效值删除、降采样等方式对采集的振动监测信号进行预处理,同时为了平衡各个磨损状态的样本数,使用重叠采样的方式对数据样本进行了扩充,为后续刀具磨损状态识别方法提供了足够的训练样本集。（2）针对单一传感器信号可能会忽略不同位置表征刀具磨损状态信息的问题,提出了基于多源数据特征融合的改进深度残差网络刀具磨损状态识别方法。该方法以深度残差网络为基础,首先在基本残差模块中添加了能够自主学习通道权重的SENet模块来提升网络模型特征提取的能力,再通过使用多个分支结构来分别提取不同的特征进行融合,得到了针对单一振动监测信号作为输入的改进深度残差网络;最后通过使用多个改进的深度残差网络并联的方式分别提取每个振动监测信号的特征进行融合实现了对刀具磨损状态的精确识别。（3）针对噪声环境下刀具磨损状态难以识别的问题,提出了一种基于改进深度残差收缩网络的刀具磨损状态识别方法。该方法在深度残差收缩网络中引入了一种改进的激活函数层。该改进的激活函数层由能够利用负振动监测信号的改进激活函数和针对卷积层来提升模型抗干扰能力的逐渐衰减的正则化操作组合而成,通过对比不同激活函数的识别结果,证明了该方法的优越性。（4）在本团队研发的制造执行系统（MES）之上,开发了一套刀具磨损状态识别系统,该系统以本文建立的改进深度残差网络模型为核心,搭建了能够自主设置神经网络参数的预训练模块以及能够加载本地模型的刀具磨损状态识别模块,实现了对刀具磨损状态的识别。