刀具磨损状态在线监测系统对保证工件加工质量和提高加工效率具有重要意义。在复杂切削状况下，切削过程中的物理信号不仅与刀具磨损状态相关，还与切削参数，切削温度等因素相关，要实现复杂状况下刀具磨损监测，给模式识别方法的分类能力提出了更大的挑战，然而复杂切削状况更接近工业应用，因此对复杂状况下刀具磨损状态进行监测更具有实际意义。为了有效的监测复杂状况下加工过程中刀具的磨损状态，本文建立了一个结合短时傅里叶变换(STFT)和局部保持投影(LPP)的基于条件随机场(CRF)的刀具磨损状态监测的系统，该系统是通过分类器对刀具磨损状态进行分类来达到监测目的的。本文针对多齿铣削TC4钛合金过程，开发了力信号和位置信号同步采集系统，采集了五种不同刀具磨损状态下的力信号，利用STFT算法对力信号进行了特征提取。为了消除数据冗余和减小计算量，对提取的特征运用LPP算法进行了降维处理，将降维后的样本特征向量输入到CRF模型中进行模型训练和刀具磨损状态监测，进而利用交叉验证方法对监测模型进行了优化，提高了模型的稳定性和可靠性。为了进一步分析和评估CRF模型的分类能力，本文在相同数据样本下，与隐马尔科夫模型(HMM)、反向传播神经网络模型(BP)和支持向量机模型(SVM)分类方法进行了比较，结果表明CRF模型具有较高的识别率；最后统计了各个模型的运行时间，CRF模型耗时最短，速度最快。实验结果表明，CRF模型具有分类准确度高、训练和测试速度快以及稳定性好等特点，很适合运用于复杂刀具磨损状态监测中，这对提高加工效率和降低生产成本具有重要意义。