在当前的工业体系下,制造业仍然是一个国家综合竞争力的重要参考指标,随着制造业生产成本的增加以及对加工产品高质量、高精度的要求,制造业兴起了从传统制造向智能制造转变的技术革命。刀具在产品的加工中发挥着至关重要的作用,刀具的磨损状态影响加工产品的精度和质量,如果在刀具加工过程中对其磨损状态判别不清,则会使加工材料不能充分利用或者严重影响产品的精度和质量,造成不可挽回的损失。本文以振动信号为监测信号,对刀具在加工过程中磨损的不同状态进行识别。本文的主要工作如下:首先,基于实验所选择的监测信号类型,利用传感器、恒流适配器、数据采集卡等设备搭建了信号采集系统,用来采集刀具不同磨损状态的振动信号;鉴于振动信号的采集质量与加工参数有关,重点分析了传感器的安装位置以及主轴转速对信号采集质量的影响,通过对实验采集信号的分析,确定了采集信号时传感器的最终安装位置以及主轴转速。其次,针对集合经验模态分解（EEMD）存在的分解结果虚假分量多、分解效率低等缺点,提出了细菌觅食算法（BFA）优化EEMD的模型,利用优化前后的模型对仿真信号及实验信号进行分解对比,从分量个数、重构误差以及分解效率上验证了优化模型的优越性。最后,利用隐马尔科夫模型（HMM）能够基于时间序列建立统计学模型的能力,建立了基于HMM的刀具磨损状态识别的模型;利用BFA-EEMD与HMM结合的模型和EEMD与HMM结合的模型进行训练和识别对比,对比结果显示BFA-EEMD与HMM结合的模型在训练环节上更高效,并且对刀具前期、中期以及后期磨损状态的识别准确率更高,验证了本文所提方法的有效性。