针对整体叶盘通道粗加工过程中刀具磨损状态难以准确识别、切削力信号特征利用不足的问题，提出一种基于改进密集连接卷积神经网络（dense convolutional neural network， 简称DCNN）的刀具磨损状态识别方法。首先，采集不同磨损阶段下的切削力信号，并按照初期磨损、中期磨损和剧烈磨损的不同状态构建样本数据集；其次，采用小波变换将一维切削力信号转换为二维时频谱图，建立切削力时频特征与刀具磨损状态之间的映射关系；然后，构建改进DCNN模型，利用密集连接结构增强特征复用能力，挖掘时频谱图中的深层磨损表征信息；最后，通过消融实验确定网络最优参数，并与改进卷积神经网络（convdutional neural networks， 简称CNN）、改进残差神经网络、支持向量机和决策树模型进行对比。结果表明，DCNN模型识别准确率达到97.60%，较上述对比模型分别提高4.32%、2.32%、21.10%和25.60%，所提方法能够有效提高整体叶盘加工过程中刀具磨损状态识别精度。