针对刀具磨损状态识别过程中采集数据量大、干扰信号复杂且需人为选择特征参数的问题，为提高刀具磨损状态识别模型的鲁棒性与泛化性，提出了一种数据驱动下深度堆叠稀疏降噪自编码（stacking sparse denoising auto-encoder，简称SSDAE）网络的刀具磨损状态识别方法，实现隐藏在数据中深层次的数据特征自动挖掘。首先，将原始振动信号分解为一系列固有模态分量（intrinsic mode function，简称IMF），并采用皮尔逊相关系数法选取了最优固有模态来组合一个新的信号；其次，采用SSDAE网络自适应提取特征后对刀具磨损阶段进行了状态识别，识别精度达到98%；最后，对网络模型进行实验验证，并与最常用的刀具磨损状态识别方法进行了对比。实验结果表明，所提出的方法能够很好地处理非平稳振动信号，对不同刀具磨损阶段状态的识别效果良好，并具有较好的泛化性能和可靠性。