在圆锯片基体外圆断续车削过程中，刀具磨损是影响机床工作效率的主要因素，若不能及时发现将会导致废品率上升，甚至出现严重事故，影响生产的正常进行。本文通过分析圆锯片外圆断续车削刀具的磨损形式及特点，采用智能识别的方法对刀具的磨损状态在机检测进行了研究。通过对圆锯片基体外圆断续车削过程中刀具的磨损机理和磨损形式的分析发现，在断续车削中，刀具会受到频繁的冲击力作用，主要表现在切入切出工件时刀具所受的应力数值发生突变；刀具的失效形式以破损居多，主要表现为崩刃、碎裂、裂纹、塌陷等。研究表明，当刀具磨损后其切削力、振动、切削噪声、切削功率、切削温度等因素都会有不同幅度的增大，对于断续车削而言，切削力信号、温度信号、振动信号能够比较好的反映刀具的磨损情况，故选定切向力Fx、进给力Fy、背向力Fz随时间变化信号和刀具的切削温度随时间变化信号作为检测信号，将刀具后刀面的磨损量作为磨损依据，对照刀具磨损标准，对刀具的磨损状态进行识别检测。　　本文从理论预研角度出发，采用Deform-3D软件对圆锯片基体外圆的断续车削过程进行模拟仿真，并从仿真后处理结果中提取刀具在切削过程中所受到的切向力xF、进给力Fy、背向力Fz的变化数据和温度变化数据，以及对应的刀具磨损量，并依据刀具磨损标准结合刀具磨损量对所提取的数据进行分组，从而为刀具状态的智能识别提供数据基础。采用时域分析法和频域分析法对刀具在切削过程中所受到的切向力Fx、进给力yF、背向力Fz的变化数据和温度变化数据进行分析，分别提取出了时域的平均值、最大值、方差、峭度、偏斜度5个特征量信息和频域的均方频率、重心频率、频率方差3个特征量信息作为刀具磨损状态智能识别的特征量。分别设计了BP神经网络和RBF神经网络对提取出来的特征量进行融合，并对所设计的两种网络的识别效果进行了比较分析，发现在样本数据不大的情况下RBF网络比BP网络具有更好的收敛效果和更高的识别率。