En la actualidad, la tecnología de aprendizaje profundo muestra un gran potencial en el mercado para el reconocimiento del estado de desgaste de herramientas de desbaste basado en señales de vibración. Sin embargo, la estructura tradicional de una sola red neuronal tiene dificultades para extraer simultáneamente una variedad de características diferentes y tiene baja robustez, por lo que la precisión del reconocimiento del estado de desgaste no es alta. En vista de los problemas anteriores, en este artículo se propone un modelo de reconocimiento de desgaste de herramientas de desbaste basado en ShuffleNet v2.3-StackedBiLSTM. El modelo integra ShuffleNet v2.3, que ha sido barajado por canales, y StackedBiLSTM, una red de memoria a largo y corto plazo, para extraer de manera efectiva características espaciales y temporales para el reconocimiento del estado de desgaste de herramientas. Basado en el modelo de reconocimiento innovador, se diseña un experimento de desbaste de ranuras en disco de turbina, y se adopta un sistema de índices de rendimiento basado en la matriz de confusión. La investigación y los resultados experimentales muestran que el modelo tiene una precisión, exactitud, recuperación y valor F1 sobresalientes, y la tasa de precisión alcanza el 99.37%, lo que es significativamente mejor que los modelos ShuffleNet v2.3 y StackedBiLSTM. La velocidad de reconocimiento de una sola muestra se mejoró a 8.67 ms, lo que es un 90.32% menos que la del modelo StackedBiLSTM.