工件表面质量在线监测可以主动地检测工件加工的质量情况，并根据检测结果进行统计分析，结合产品质量等级指标，形成个别或批量产品的评估数据，为生产、质量控制和出厂部门提供决策依据。这对于保障零件加工质量、提高加工效率具有重要的现实意义。本文基于振动分析和支持向量机对机械加工表面质量的在线检测进行相关的研究，首先得用核独立分量分析对所采集到的原始信号进行盲源分离，然后利用小波包分析提取振动分离信号的特征参数，最后利用支持向量机对表面质量进行分类识别。本试验主要从以下三个方面的研究内容展开：第一，状态信息的获取。振动信号中携带有机械设备内部运行状态的大量信息，因此本文基于振动信号来研究其与表面质量之间的内在联系及机械加工表面质量的判断识别。首先，本试验论文在对切削振动理论、振动信号采集及分析处理理论、表面粗糙度等相关理论分析的基础上，研究确定相关实验条件并搭建试验平台，以便能完成表面粗糙度的测量、振动信号的采集及分析。第二，状态信息的特征提取。确定振动信号为状态信息后，我们希望通过对其进行信号的处理与分析找出对表面质量状态敏感的一些特征量，通过这些特征量能够有效的表达或识别不同的表面质量状态，实现表面质量的有效检测。通过对核独立分量分析和小波包分析相关理论及算法的研究分析和仿真实验可知，核独立分量分析是一种非线性的独立分量分析算法，它对于非线性非稳态的振动信号的盲源分离更准确，更灵活。其分离出各自独立且互不相关的振动分量，能更有效的表征机械运行状态。小波包对非平稳信号具有很好的局部分析能力，其所分解的不同振动信号的各频带内的能量特征能反映不同机械运行状况的本质特征。针对机械加工过程中的振动信号通常是非线性、非稳态的信号系列，本文选择基于核独立分量分析和小波包能量来实现振动信号的特征提取。第三，状态的模式识别。本论文选用支持向量机来进行表面粗糙度的分类识别，相比较传统的统计模式识别方法，支持向量机在解决小样本、非线性及高维模式识别中表现出许多特有的优势。在对支持向量机相关理论基础及算法研究和分析的基础之上，将核独立分量分析结合小波包能量所提取的振动信号的能量特征作为支持向量机的样本输入，进行表面质量分类识别的研究。理论研究和试验结果表明，基于振动信号核独立分量分析方法、小波包分析方法结合支持向量机的状态识别方法能有效地对机械加工表面质量进行检测，为在线表面加工质量检测的实现可能性研究奠定了试验及理论基础。