深孔加工作为一种重要的加工方法被广泛应用于现代制造业中，良好的刀具磨损与排屑状态可以保证孔加工质量、提高生产效率、降低生产成本，对整个深孔加工系统有着非常大的影响。因此，研究准确、可靠的刀具磨损与排屑状态监测技术意义深远。　　 论文以BTA深孔加工系统为研究对象，在探讨了该系统的加工原理、常见故障及其原因的前提下，设计出以刀杆扭转振动信号和排屑系统的油压信号为监测信号的深孔加工状态监测方案，并根据该监测方案搭建了基于DSP的深孔加工状态监测系统的实验平台，成功实现对刀杆振动和油压信号的采集。　　 针对深孔加工过程监测信号的非平稳特性以及脉冲干扰噪声给信号的分析处理及特征提取带来的困难，提出采用希尔伯特黄变换(HHT)实现故障信号特征的提取，并对HHT算法实现中的终止准则、端点效应、曲线拟合等问题进行研究与改进，通过对模拟仿真信号的分析，证明了改进方法的有效性。　　 对状态监测系统中状态识别技术进行了研究，将最小二乘支持向量机(LSSVM)用于状态识别。鉴于惩罚因子C与核函数的宽度系数σ严重影响其分类性能，提出一种基于改进模拟退火的LSSVM参数优化算法；运用UCI数据集上的数据进行了仿真分类研究，结果显示该参数优化算法与其他参数优化算法相比，具有寻优速度和寻优质量上的优势。此外，对BP网络、GA-SVM和GA-LSSVM三种状态识别算法进行了对比实验研究，验证了LSSVM在分类精度、分类速度方面的有效性。　　 在分别分析刀杆振动信号和油压信号的特点后，发现振动信号与刀具磨损状态密切相关的特征频率段在1～150HZ，其经BEMD分解后imf3分量的峰值和能量可作为判断刀具磨损状态的特征参数；油压信号与排屑状态密切相关的特征频率段为100～400HZ，其经BEMD分解后imf1分量的方差和均值与排屑状态之间存在较强的映射关系。成功提取出分别与刀具磨损状态和排屑状态密切相关的特征参数。　　 利用提取的特征参数所建立的针对深孔加工过程刀具磨损与排屑状态的LSSVM分类模型，对实际数据的识别准确率高，高效准确地实现了对上面两种常见故障状态的监测，为现有的深孔加工系统状态监测问题提供了一条新的途径。