使用统计过程（Statistical Process Control, SPC）控制图进行质量控制，是现代生产过程中常用的一种方法。根据控制图的状态，可以判断生产过程是否异常、并揭示加工过程中的潜在质量问题。一般将控制图模式大体分为正常和异常两种模式，在实际生产过程中不同的异常模式代表了不同的生产异常情况，因而需要对控制图模式进行识别，才能及时发现和解决隐藏在异常背后的问题，从而提高产品的质量和企业的效率。从这个角度出发，研究如何对控制图模式进行有效的识别就变得非常有意义。传统的SPC控制图识别方法是建立在大样本条件基础上的，近年发展起来的基于人工神经网络的识别方法在使用时，也需要大量的训练样本。这两种方法在样本数目多的情况下，具有较好的识别效果，而当样本数量有限时，其局限性就呈现了出来。因此，如何实现在小样本条件下的有效质量监控，并有效提高控制图的识别效果，已经成为质量控制与诊断的主要研究问题之一。而支持向量机（Support Vector Machines, SVM）作为一种可以很好解决小样本条件下的分类智能方法，已成为机器学习领域中的研究热点。本文利用SVM，主要研究在小样本条件下的控制图模式智能识别方法。主要研究内容如下所示：1.研究了SVM及多类支持向量机（Multi-class Support Vector Machines,MSVM）的内容，采用了“一对一”的多分类器设计方法；在分析SVM参数对其分类性能影响的基础上，提出采用粒子群算法（Particle Swarm Optimization,PSO）算法对SVM参数寻优，构造了PSO-SVM分类器。2.对SPC控制图模式采用了不同的特征进行识别，包括原始特征、主元特征、统计特征，并进行了仿真实验及分析。3.为了提高控制图的分类准确率，在分析上述特征缺点的基础上，提出了两种改进的特征：针对初步提取统计特征之间存在相关性和冗余性的情况，提出了基于改进序列前向选择法的控制图模式识别方法；针对单一特征可能会丢失部分数据的情况，提出了基于原始特征与主元特征混合、原始特征和统计特征混合的识别方法。并对各种识别进行了仿真实验对比，实验说明改进后的方法确实有效可行。