铲齿车刀作为齿轮滚刀的车削刀具,其磨损状态直接影响着滚刀的加工精度、效率及生产安全。目前,人工监测刀具磨损状态严重依赖加工经验且成本较高,因此实现铲齿车刀磨损状态的智能识别具有重要意义。本文以铲齿车刀的磨损状态为研究对象,采集并处理加工过程中的振动信号,之后采用机器学习方法对铲齿车刀磨损特征进行学习,实现对工程实际中铲齿车刀磨损状态的精准识别。主要工作如下:1)在贵州某企业加工车间内,搭建铲齿车刀磨损状态监测实验平台并制作了实验数据集。其中,利用小波硬阈值去噪法对原始振动信号进行去噪处理;在去噪处理的基础上使用主成分分析（Principal Component Analysis,PCA）对刀具磨损特征进行提取,并对不同加工状态下所采集的铲齿车刀特征数据进行可视化分析,继而,制作了铲齿车刀磨损状态识别不均衡数据集。2)针对铲齿车刀磨损状态数据不均衡性问题,提出再生自适应合成采样（Regenerate-Adaptive Synthetic Sampling,Re-ADASYN）方法。首先,基于k个少数类最近邻（k-NN）样本,计算其综合特征表达作为“基点”,将“基点”作为样本生成的方向调节器;然后,将ADASYN生成的一代样本略微向“基点”移动,生成二代样本;最后,将具有高质量特征保留的二代样本作为最终生成样本。同时,在对采样算法所生成的样本质量进行评估时提出了一种新方法（SFROR）,即在对数据矩阵进行向量化降维后,基于偏移量和特征保留量综合评价生成样本质量。将所提Re-ADASYN算法在PHM2010及自采铲齿车刀数据集上进行了验证,结果表明:在8种分类器和6种评价指标上,Re-ADASYN明显优于其他7种主流采样算法。3)构建了MFO-LightGBM铲齿车刀磨损状态在线识别模型。考虑到轻量级梯度提升机（LightGBM）训练速度快、精度高,但其超参数众多,且人工调参具有一定的盲目性。因此,利用GA、PSO及MFO智能优化算法对LightGBM的5个超参数并行优化,对比实验表明MFO更加适合该工程场景。最终,构建了基于均衡化样本的MFO-LightGBM铲齿车刀磨损状态识别模型,并利用增量学习的方式实现了铲齿车刀磨损状态的在线识别。4)开发了铲齿车刀磨损状态识别原型系统,实现了对铲齿车刀磨损状态的精准识别,为在工业环境中应用奠定了基础。