近年来,精密零件被广泛应用于各行各业,这一要求带动了精密加工和微铣削加工的发展。微铣削加工是指铣削刀具直径在一毫米以下且被加工工件的特征尺寸在一微米到一毫米之间的铣削加工方式。由于加工精度高、加工材料的多样性以及能加工复杂的三维曲面等优点,微铣削已经在各行各业得到了广泛应用。但是,随着刀具和工件的尺寸急剧减小,相对于传统铣削,微铣刀更易磨损,对加工工件的精度影响更为明显。因此微铣削加工技术的发展受微铣刀磨损的制约,只有准确监测微铣刀的磨损状态,才能及时更换刀具,加工出高精度的零件。因此对刀具的监测十分重要。本文以微铣削加工过程中刀具磨损状态的识别为研究对象,搭建了以刀具振动信号为监测信号的微铣削刀具磨损状态监测平台。基于这个平台,本文将微铣削刀具磨损状态和被监测的特征建立起一个相互对应的关系。这个对应关系是基于振动信号的。全文主要研究如下:（1）以切削深度、主轴转速和进给速率这三个切削参数进行微铣刀磨损状态实验,这个实验的首要任务是要采集与磨损状态息息相关的信号。本文采用的信号是微铣刀振动信号,而且是在不同加工条件和微铣刀的不同磨损状态下采集的。选择合适的信号分析处理方法,将微铣削刀具在切削工件过程中采集到的振动信号进行一系列的处理。比如时域分析法、频域分析法,并分别提取了时域特征、频域特征。（2）针对输入样本维数较高的问题,通过主成分分析（PCA）、线性判别分析（LDA）、监督局部保持投影（SLPP）这3种降维约简方法进行特征参量的提取,并比较得出基于PCA提取的低维特征参量对后续微铣刀磨损状态的识别更好。最终采用PCA提取的最优特征向量组作为后续识别模型的输入。（3）采用动态惯性权重的标准粒子群优化算法（PSO）与BP神经网络相结合的方法进行微铣刀磨损状态的识别。将测试样本输入到训练后的动态惯性权重的标准PSO-BP神经网络中,并通过分类器的输出确定微铣刀磨损状态。同时,与传统的BP神经网络分类模型以及其他分类模型进行对比,证明了动态惯性权重的标准PSO-BP神经网络分类模型具有更高的分类精度。实验研究表明,本文的基于PCA与动态惯性权重的标准PSO-BP神经网络方法。对于微铣削刀具磨损状态的识别,不仅在识别速度上有了显著提升,更重要的是,大大提高了识别的准确率。这对微铣削加工的实际生产过程中微铣刀的磨损状态监测具有非常重要的实际意义。