En el campo de la fabricación aeroespacial, las condiciones de las herramientas son esenciales para garantizar la calidad de producción de las piezas aeroespaciales y reducir los fallos en el procesamiento. Por lo tanto, es extremadamente necesario desarrollar un método adecuado de monitoreo de las condiciones de las herramientas. Así, proponemos un método de monitoreo del estado del desgaste de herramientas para procesos de fabricación aeroespacial basado en redes neuronales convolucionales para reconocer estados anormales intermedios en procesos de múltiples etapas. Hay dos innovaciones y ventajas del enfoque propuesto: una es que los criterios para juzgar las condiciones anormales se amplían, lo que resulta más útil para la aplicación práctica. La otra es que el enfoque propuesto resolvió la influencia de la estabilidad de características a reconocimiento. En primer lugar, el nivel de desgaste de la herramienta se dividió en diferentes modos de estado según el intervalo de densidad de probabilidad basado en la estimación de densidad de kernel (KDE), y los modos de estado correspondientes se conectaron para obtener el límite de control punto a punto. Luego, se desarrolló el modelo de reconocimiento de estado basado en una red neuronal convolucional (CNN), y se consideró la sensibilidad de la ventana de monitoreo en el modelo. Finalmente, se utilizaron conjuntos de datos de código abierto para verificar la viabilidad del método propuesto, y los resultados demostraron la aplicabilidad del método propuesto en la práctica para el monitoreo de condiciones de herramientas.