El chatter es uno de los fenómenos más perjudiciales durante el proceso de mecanizado, y conduce a una baja calidad de la superficie de la pieza de trabajo, a un lugar de trabajo ruidoso y a una disminución de la vida útil de las herramientas y de la máquina. Para superar estas limitaciones y mejorar el rendimiento del mecanizado, se han desarrollado varios métodos efectivos para la detección de chatter. La principal desventaja de dichos métodos es que requieren que todos los datos estén etiquetados. Sin embargo, los datos etiquetados que reflejan con precisión los estados de chatter son difíciles de recopilar en aplicaciones prácticas. Este documento propone un método semisupervisado para clasificar los estados de chatter con una pequeña cantidad de datos etiquetados y una gran cantidad de datos no etiquetados. Con el fin de mejorar la precisión de clasificación y la capacidad de generalización, se combina el aprendizaje en conjunto con el método semisupervisado, y se propone un modelo EB-SSL en este documento. Teniendo en cuenta la no estacionariedad y los múltiples comportamientos de escalado de los datos de chatter, se utiliza el análisis de fluctuación detrendida multifractal (MF-DFA) para extraer características distintivas de las señales de detección de chatter en bruto. Los resultados experimentales muestran que este método puede identificar los estados de chatter con mayor precisión. El análisis de rendimiento indica que el método propuesto es aplicable en diferentes condiciones de fresado.