钻孔是机械制造最基本工艺,其中深孔钻孔技术更是广泛应用于航空航天、武器装备、医疗电子和工程机械制造等领域。深孔钻孔的机理复杂,钻削过程具有很强的非线性动态特性,深度耦合的状态变量阻碍了精确数学模型的建立,因此导致经典控制理论和现代控制理论在深孔钻孔控制中都难以获得理想的效果。本课题针对小深孔加工过程监测和控制的需求,利用蕴含钻削工况信息的声音和振动信号,建立钻削刀具状态监测系统,实现对加工过程中刀具磨损程度的识别。再基于实时钻削力监测数据,融合刀具磨损状态识别结果,利用模糊比例-积分-微分控制（Proportional-Integral-Derivative Control,PID）算法实现了小深孔钻削的优化控制。首先,研究了麻花钻的磨损形式和磨损过程,搭建钻削试验平台并通过实验对麻花钻磨损过程进行了验证,确定采用后刀面磨损宽度作为磨损标志。基于钻削实验分析钻削过程中的刀具受力情况,同时监测钻削声音和振动信号,提取声音和振动信号的时域特征、频域特征、时频域特征和心理声学参数特征,再使用鲸鱼优化算法（Whale Optimization Algorithm,WOA）对特征进行选择,为钻头状态识别准备数据样本。其次,以监测数据样本为基础,基于支持向量机（Support Vector Machines,SVM）模型实现刀具的磨损状态识别。先采用麻雀搜索算法（Sparrow Search Algorithm,SSA）优化SVM参数,用以降低模型的训练时间并提高识别准确率;再利用降维后的声音和振动特征对模型进行训练,实现基于多源传感器特征的刀具磨损状态识别;通过实验与K邻近算法（K-Nearest Neighbor,KNN）、SVM、遗传算法优化SVM（Genetic Algorithm-SVM,GA-SVM）和粒子群算法优化SVM（Particle Swarm Optimization-SVM,PSO-SVM）等算法进行了性能比较,验证了本文钻头状态辨识模型的优越性能。最后,提出基于钻头磨损度和钻削力的钻削优化控制方法。利用训练后的支持向量机模型,通过钻削声音和振动信号获取刀具磨损状态;以刀具的磨损状态辨识结果作为控制参数选择模块的输入样本,由参数选择模块整定钻削PID控制参数;钻削系统根据实际测量的轴向力与钻削参数,执行相对应的控制动作,包括改变进给速度、进刀和退刀等,实现小深孔钻削过程优化控制。实验结果表明,小深孔钻头磨损程度与钻削声音及振动信号特征之间存在非线性耦合关系,利用麻雀搜索算法优化支持向量机模型,实现了刀具的磨损状态识别,其识别准确率可以达到98.15%;提出的基于钻头磨损度和钻削力的模糊PID控制效果良好,能够实时调整小深孔加工的进给参数,令钻削过程中的钻削力保持稳定的状态,保证加工效率和质量。