为了实现刀具磨损状态监测的自动化与高精度,文章提出了一种基于希尔伯特-黄变换（hilbert-huang transform,HHT）和等距特征映射（isometric feature mapping,Isomap）的刀具磨损状态监测方法。首先采用经验模态分解算法对采集的信号进行降噪处理;然后对降噪后的信号进行Hilbert变换得到Hilbert时频谱,同时计算Hilbert边际谱及其统计特征量;最后利用Isomap算法进行特征融合及优化,将优化后特征向量送入支持向量机（support vector machine,SVM）中,并通过网格搜索法优化SVM的相关输入参数来建立最优分类模型。研究结果表明：Isomap算法具有较好的特征融合及降维效果,且Isomap-SVM分类模型对测试集的识别准确率为95%,文章所提方法可以有效地识别刀具磨损状态。