在生产过程中，提高产品的质量是企业永恒的目标。为了提高产品质量，企业在长时间的生产运行中积累了大量生产数据和产品质量特征参数数据。而且，随着计算机技术的快速发展和广泛应用，企业在生成、收集、存储和处理数据方面的能力大大提高，数据量与日剧增。然而，如何有效利用这些数据，保证产品质量在理想的控制范围内，是现代质量控制的发展方向之一。基于知识发现的产品质量控制理论与方法研究就是从这些海量数据中挖掘出有用的信息，建立产品输入参数和质量特征参数之间的模型，并根据该模型来实现产品质量预测和控制，以帮助质量工程师来改善产品质量和进行新产品的辅助设计。本文以神经网络建模方法为研究内容，以BP网络和RBF网络的质量预测模型为研究重点，系统深入地探讨了机械加工质量预测和控制模型的建模方法，主要内容如下： (1)综述了国内外关于质量控制理论与方法和基于神经网络质量预测控制模型的研究和发展现状，介绍了几种常见的建模方法和手段，分析了其各自的优、缺点，为基于BP和RBF神经网络的建模方法打下基础。 (2)研究了BP网络模型的结构、学习算法、设计方法以及BP网络的不足，提出了改进的L-M算法，并以机械加工产品质量控制为例子，利用BP网络改进算法构建了一个单隐层BP网络机械加工质量预测模型，预测了加工后径向误差大小；同时，针对多输入多输出的机械加工过程，运用BP网络改进算法构建了一个两隐层的质量预测逆模型即质量控制模型，用工艺系统刚度、工件硬度、加工前径向误差、加工后径向误差来控制总进给量、第一次进给量和第二次进给量的值，起到提高机械加工产品质量的作用。 (3)研究了RBF网络模型的结构、学习算法等，构建了基于RBF网络的机械加工质量预测模型，预测了加工后径向误差大小，并将其测试结果与BP网络测试结果作比较，分析了各自的优、缺点，指出了每个模型适合的场合。 (4)采用LABVIEW和MATLAB编制了几种质量预测模型软件系统，使得质量预测模型计算、输出较为直观和方便。 最后对全文作了总结和回顾，指出了基于神经网络的质量预测控制模型要关注和深入研究的问题。