在现代化的制造过程中,制造过程自动化程度及工业复杂度不断提高,单纯依靠传统的多元统计过程控制(Multivariate Statistical Process Control,MSPC)监控制造过程的异常已无法满足现代化制造过程的要求。随着信息采集技术的发展,制造过程产生了大量的数据,而如何利用好这些数据并服务于多变量过程质量控制领域成为研究人员急需解决的问题。在大数据时代背景下,许多的机器学习算法被提出并成功应用在实际中的各个领域。因此,如何将机器学习算法应用到多变量过程质量控制中,以实现对制造过程质量的智能监控与诊断成为该领域研究的热点。本文结合特征工程及机器学习算法,对多变量制造过程质量控制的智能监控与诊断方法进行了系统研究,主要工作如下:(1)基于支持向量数据描述的多变量制造过程在线监控模型研究。以制造过程质量监控为首要研究内容,提出了两个不同的基于支持向量数据描述的多变量控制图,即:D控制图和D-MCUSUM控制图。提出的两个控制图分别适用于监控制造过程的小偏移异常情况和制造过程的大偏移异常情况。由于支持向量数据描述无监督学习的特性,使得提出的两个控制图同时具有极强的自学习性及可应用性。仿真实验及应用实例也证明了所提出的两个控制图监控多变量过程特定范围异常的有效性。(2)基于混合控制图模型的多变量制造过程监控模型研究。基于所提出的D控制图和D-MCUSUM控制图只对特定范围异常敏感的特性,通过动态控制限方法组合两个控制图的监控特性,提出了对大范围异常敏感的CDD控制图。此外,还研究了产生动态控制限的通用算法以及动态控制限的设计方法,并讨论了CDD控制图窗口大小的选择,进而建立起一套基于无监督学习算法的制造过程质量监控模型。(3)基于随机森林模型的多变量制造过程异常源识别研究。在多变量制造过程异常源识别领域,提出了一个融合特征的随机森林识别模型,并将该智能模型成功地仿真应用于典型的两变量制造过程中。由于特征工程的优越性以及随机森林集成学习的优点,该模型可以有效识别制造过程中的异常源,快速、准确地对多变量控制图的异常报警进行归因化分析,进而进行过程调整。基于以上研究成果,本文建立起了一套完整的多变量制造过程智能质量控制系统,实现了对过程质量实时地监控及诊断。本文的研究成果也为多变量制造过程质量控制提供了一些新的方法和思路,具有重要的理论及实际意义。