本文针对切削颤振过渡过程信号信息量大、非平稳、信号特征重复再现性差的特点,引入隐马尔可夫模型(HMM)作为基本建模和识别工具,综合考虑了隐马尔可夫(HMM)的强动态时间建模能力、神经网络(NN)的强分类能力以及支持向量机(SVM)的小样本强推广能力,建立起了以HMM为基础,与其它模型相结合的方式对切削过程进行在线监测。后期进行的大量切削实验验证了各种模型的有效性、系统的鲁棒性、预报的实时性以及监控系统的稳定性。本文通过对机床切削颤振理论、统计模式识别理论、通讯理论、信号处理等多方面的研究,取得的主要研究成果和创新点有:(1)深入研究了机床切削信号特征提取方法,提出了基于短时傅立叶思想的特征提取方法;(2)建立了基于DHMM、CDHMM的切削状态监测模式;(3)对多层感知器结构及性能进行了研究,提出了基于MLP多信息融合能力对切削过程进行监测的方法;(4)建立了基于HMM和多层感器的混合模型并实现了切削过程的状态监测;(5)首次将隐马尔可夫模型与支持向量机结合应用于切削颤振监控,并取得了非常好的预报效果。(6)完成了一套切削颤振预报系统软件,进行了多次现场测试,系统运行正常。本项研究对于促进切削颤振监测和控制技术的进步,对于深刻地揭示切削颤振过渡过程的本质特征、保证产品加工质量、提高生产率带来了重要的学术价值和应用价值。