我国的经济建设一向是以制造业为核心,传统制造业的发展和近几年提出的“智能制造”以及《中国制造“2025”》,都对我国的经济发展起到了极大的促进作用,所以制造业的发展越来越受瞩目。数控机床的加工与制造业的发展紧密相连,而刀具的健康状况与机床的加工又息息相关,所以准确判断刀具的磨损状态和对磨损量做出精准预测对于制造业的发展具有重要意义。在对刀具磨损状态研究中,为防止刀具的剧烈磨损导致机床的故障,以及加工工件的损坏,本论文利用传统机器学习算法对加工过程中铣刀的磨损状态进行判断研究。首先,对加工过程中产生的振动信号和切削力信号进行采集,对于采集到的信号中存在大量噪声的情况,本文采用小波阈值的方法进行去噪处理;接着,对去噪后信号的时域特征、频域特征以及小波包分解后的能量占比进行特征提取,对于提取到的特征值,利用相关系数法计算特征值与磨损关系的相关程度值大小,数值较高的则作为输入值,从而得到低维度、高相关性的特征矩阵;之后,将特征量输入到遗传算法（Genetic Algorithm,GA）和麻雀搜索算法（Sparrow Search Algorithm,SSA）优化的支持向量机（Support Vector Machine,SVM）中,对刀具的三种磨损状态（初期磨损,中期磨损,剧烈磨损）进行判别,然后对比分析两种优化算法的检测效果。本论文最后利用深度学习中的堆叠降噪稀疏自编码器（Stacked Denoising Sparse Auto-Encoder,SDSAE）学习特征能力强、鲁棒性高以及特征维度低等特点对刀具的磨损量进行预测研究。利用SDSAE网络对特征矩阵进行再提取和再降维,再用SSA优化的最小二乘支持向量回归（Least Squares Support Vector Regression,LSSVR）方法对铣刀的磨损量做出预测,利用决定系数（Coefficient of determination,R~2）和平均绝对百分误差（Mean Absolute Percent Error,MAPE）这两个模型参数的大小来分析模型预测的准确率。通过与SSA-LSSVR方法做对比,发现利用SDSAE-SSA-LSSVR的R~2值为0.975,MAPE值为9.801%,SSA-LSSVR的R~2和MAPE值分别为0.852和19.220%,说明利用SDSAE-SSA-LSSVR对模型的拟合度较好,预测效率和准确率更高。