刀具磨损将会直接影响到工件的加工质量,从而造成经济利益损失。为了提高刀具磨损状态检测准确率,本文针对硬质合金刀具的磨损状态检测展开了研究,全文主要内容如下:（1）确定了以振动信号作为硬质合金刀具磨损状态检测信号,分析了刀具的磨损机理及形式,并探究了振动信号与刀具磨损之间的内在联系。结合刀具磨损过程和实际应用,制定了刀具磨损等级。利用正交试验法制定了信号采集实验计划,获取了硬质合金刀具在加工全过程中的振动信号,为后续研究提供数据支持。（2）分别从时域、频域以及时频域3个维度对振动信号进行分析。在时域中,对振动信号的有量纲参数和无量纲参数进行分析;在频域中,采用基于AR模型的功率谱估计分析了特定频段的频率重心和频段能量;在时频域中,提出了基于自适应思想的总体经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）方法,分析各阶本征模态分量（Intrinsic Mode Functions,IMF）能量占总能量的比例。通过这3个维度的分析,提取出了峰值、偏度因子、频率重心及IMF前3阶能量占比等一共11个刀具磨损状态检测特征。（3）针对鲸鱼优化算法（Whale Optimization Algorithm,WOA）中的控制参数a进行改进,提出了改进的鲸鱼优化算法（Improve Whale Optimization Algorithm,IWOA）,使a不再采用线性下降的策略,而是随着sigmoid曲线进行非线性调整。采用了一对一方式的多分类非线性支持向量机（Support Vector Machine,SVM）,IWOA用于优化SVM中的惩罚因子及核参数,最终建立了IWOA-SVM模型。将刀具磨损状态检测特征分为含所有特征的完备特征集和不含时频域特征的非完备特征集,检测结果显示,相比采用非完备特征集构建的模型,采用完备特征集构建的模型在建模时间只增加5%的情况下,刀具磨损状态检测准确率提升了 10%以上,达到了 97.5%。另外,利用鲸鱼优化算法-支持向量机（WOA-SVM）模型、遗传算法-支持向量机（SGA-SVM）模型及反向传播神经网络（BP）模型与IWOA-SVM模型进行对比。检测结果显示,WOA-SVM模型、SGA-SVM模型及BP模型的检测准确率分别为96.2%、93.8%及88.9%,建模时间分别为145.6s、164.2s及263.4s。研究结果表明,本文提出的应用于硬质合金刀具磨损状态检测的IWOA-SVM模型在这4种模型中,不仅检测准确率最高,而且建模时间也最短,具有良好的综合性能。