在铣削过程中,刀具会逐渐产生磨损,其磨损的程度不仅影响到加工部件的精度,而且严重时会损坏产品和机床。因此,刀具磨损状态监测技术的研究变得十分重要。本文以铣刀作为研究对象,对刀具磨损状态监测方法进行了研究,论文的主要研究内容如下:（1）针对传统图像识别的深度学习方法依赖于大量训练样本的问题,结合图神经网络理论,提出了一种基于边缘标记图神经网络（EGNN）的刀具磨损状态分类方法。该方法将刀具磨损图像输入到嵌入网络模块中提取刀具状态相关特征,基于这些特征建立全连接图。然后通过特征变换网络模块迭代更新全连接图中的节点和边的特征,得到边缘标签的预测值。最后,通过对支持集的样本标签和查询集样本边缘标签的预测结果采取加权投票的方式进行刀具磨损识别。实验结果表明,该方法可以在只有少量刀具磨损图片的情况下有效的识别刀具磨损类别。识别精度优于CNN、AlexNet和ResNet三种流行的图像分类方法。（2）针对目前大多数基于传感信号的刀具状态监测方法需要依赖于信号处理技术和先验知识的弊端,提出了一种基于一维传感信号成像和改进边缘标记图神经网络（Improved EGNN,IEGNN）的刀具磨损状态分类方法。该方法将一维传感信号数据编码为灰度递归图（RP）,并将灰度RP输入到改进后的多尺度嵌入网络模块中提取特征,最终实现对刀具磨损状态的识别。实验结果表明,该方法可以使用较少的数据实现刀具磨损状态的有效识别。（3）为进一步提高基于传感信号的刀具磨损状态识别精度,给出了一种基于多维传感信号的IEGNN 刀具磨损状态分类新方法。该方法在一维传感信号IEGNN基础上,将每一个灰度RP按照数据采集阶段依次聚合成彩色RP,然后将聚合后的彩色RP输入到IEGNN中。在故障预测与健康管理2010铣刀磨损基准数据集和多维传感信号立铣刀状态监测实验的应用研究,证实了该方法的可行性和有效性,能显著提高小样本情形下刀具磨损状态的识别精度。