在质量管理领域,统计过程控制(SPC)成为重要的研究工具。SPC可以检测过程的稳定性从而降低产品质量差异。通过过程监控,分析生产过程的运行状态并对异常点进行识别进而处理,保证过程处于稳定的状态进而产品和服务的质量得到保证。随着科学技术的不断发展,目前过程监控的数据已经不单单呈现一元的状态。在质量控制中由于数据呈现出非常复杂的状态,在这种情况下,过程或产品的质量可以描绘成轮廓线(Profile)或函数数据(Functional Data)。轮廓线是响应变量对应一个或多个解释变量的函数关系。轮廓监控分为两个阶段:第一阶段是基于采集到的样本数据,以确定采样点是否失控。将失控样本数据移除建立稳定可控的模型;第二阶段是在第一阶段过程已经受控的基础上监控实时样本点并监测实时变化。本文研究的轮廓线异常点识别问题位于轮廓线监控的第一阶段。第一阶段有效识别出过程中出现的小部分异常点是非常重要的。异常点(Outliers)预示着系统中的异常状态,这些异常点是需要剔除的,但有时异常点也显示出一些有用信息,甚至是重大发现。异常点在网络安全、视觉监控、遥感技术、内科诊断学等领域均有较多应用。在质量监控领域,轮廓数据通常表现为非线性状态,因此需要更加复杂的模型进行分析。本文针对非线性轮廓异常点识别问题,综合运用小波分析、数据深度、聚类分析等数据分析方法,除提出随机变量服从标准正态分布的异常点识别问题方法外,还验证随机变量服从非正态分布下的异常点识别方法的有效性。本文运用仿真技术,将本文提出方法与χ~2控制图方法进行对比,结果证明本文所提方法表现出更好的异常点识别性能,以更高的稳定性和准确率识别异常点。最后将方法应用于木板实例对方法进行验证,结果表现出新方法能够有效识别出木板异常数据。