机械加工过程中，刀具因切削而产生磨损，通过停机检查或者依靠经验来判断刀具磨损情况已不能适应机械加工自动化、智能化发展的需求。如何有效地监测刀具磨损状况已成为各国研究的热点。本研究以钻床工作台面的振动信号为监测信号，采用多种特征提取方法和多种量化编码技术，并结合时间动态序列的概率模型—隐Markov模型(HMM)，来对切削过程进行监测研究。介绍了HMM的三个基本算法，以及在实际应用中算法的修正和模型初始参数的确定方法，并列出HMM的常见结构。讨论HMM进行刀具磨损监测的工作原理。分析对比多种特征提取方法，选择能够明显区分刀具磨损变化的均方根值和峰值指标、小波包分解、AR模型这三种特征提取方法。在此基础上，对特征值参数进行LBG算法和SOFM神经网络这两种方法的量化编码。以HMM为识别模型，在上述特征提取和量化编码的基础上，对刀具磨损监测系统进行多方案的研究。结果表明：每种方案下HMM都具有较好的识别能力，特别是对磨损的刀具正确识别率均在95％以上，能够对刀具磨损状态进行有效监测。而且，HMM比目前常用的识别模型—BP神经网络，具有训练时间短、动态特性强、容错性好的特点。体现了HMM的可行性和优越性。