在日常生活中,我们有时需要监控某个个体(飞机、汽车电池、病人)的质量特性／表现,以考察该个体是否正常运行,避免一些不好的事情发生。为此,我们有必要建立一个这样的隐患识别系统：它顺序收集待监控个体的观测值,在该个体的纵向模式偏离正常模式后,可以尽可能快的给出报警,以便即使的做出一些调整或者干预。对于这一研究问题,我们称其为动态隐患识别问题。值得注意的是,动态隐患识别问题中所要监控的个体的质量特性值的分布并不是恒定的,而是随着时间变化而变化的。对于动态隐患识别问题,目前的统计学文献中仅有两类方法与之相关。第一类方法属于纵向数据的研究领域。它是基于正常工作的个体的观测数据,利用纵向数据分析方法来构建特性变量均值的置信区间,然后通过观察观测值是否落在区间外面来判断个体是否出现异常。具体来说,这种方法是通过比较当前时间点下待监控个体与正常工作个体来判断待监控个体是否正常工作。鉴于下述原因,这种方法应用在动态隐患识别问题中,表现往往并不那么高效。首先,这一方法在监控的时候并没有利用到历史数据,这会导致一些工作异常的个体无法识别出来。譬如,如果我们希望监控个体的某个质量特性指标随时间变化一直略高于正常工作个体的指标均值,我们应该判其为异常工作的个体,但利用LDA方法就不会表现的那么灵敏。第二,在动态监控问题中,一旦发现异常,我们就需要及时地做出响应,以避免不好的结果出现,因此,动态的决策方案是非常关键的。但置信区间方法不具备这种动态决策的能力,因为它不能顺序的监控个体的质量特性。第二类与动态隐患识别问题相关的统计方法属于统计过程控领域。通过控制图,我们可以顺序的监控每个个体,并且一旦个体的质量特性值从受控状态变为失控状态,我们就快速的报警。然而,传统的控制图也不能直接应用于动态隐患识别问题,原因如下。首先,传统控制图只涉及一个监控过程,决策是基于比较当前数据和以往历史数据给出的。然而,动态隐患识别问题涉及很多监控过程,其决策是基于比较当前过程和大量正常工作过程给出的。第二,传统监控过程中,受控分布是不会改变的。在动态隐患识别问题中,这往往是很难达到的。到目前为止,我们没法找到一种有效的方法来解决动态隐患识别问题。这使得动态隐患识别问题更具挑战意义。除此之外,对于动态隐患识别问题,我们需要合理的处理不同时间点观测值之间的相互关系。而对于多元质量特性变量,我们甚至要考虑不同质量特性之间的相关性。为此,本文提出了一个动态隐患识别方法,我们称其为动态隐患识别系统。我们提出的动态隐患识别系统包含3个主要步骤。第一,利用正常工作的个体观测值估计出正常工作个体质量特性的纵向模式(均值函数和方差／协方差函数)。第二,对待监控的新个体,利用第一步中获得的纵向模式来标准化其所收集到的观测值。第三,应用控制图到标准化数据,以达到监控目的。由于第二步是非常容易获得的,本文主要考虑如何获得第一步的纵向模型以及第三步中控制图应用于标准化残差的表现。文章首先讨论纵向模式的获取方法,然后再讨论控制图应用于标准残差的表现。由于在实际应用中,很多问题的纵向模式并不能由参数模型刻画,因此,我们将集中于非参数纵向模式的讨论。对于单变量动态隐患识别系统,第一步中的非参数纵向模式的获取方法已被广泛研究,相关方法也已出现在很多教科书或专著中。而对于多变量的非参数纵向模式的获取方法,目前仍无人予以研究。这是因为建立多元纵向数据的非参数方法需要合理的处理好多元响应变量不同时间下观测值和不同分量间的相互关系。受来自美国国家心肺和血液研究所数据的启发,本文在第二章提出一个用于分析多元纵向数据非参数建模方法。在第二章中,我们并未对模型做过多的假定,而仅仅在很一般的假定下,讨论了多元纵向数据的非参数回归模型。理论结果表明,我们给出的方法是高效的,数值结果很好的演示了我们的理论结果。为使得模型更具应用性,我们还将其推广到存在缺失数据时的非参数回归模型。接下来,我们在第三、第四章中分别讨论了,在单变量和多变量质量特性监控问题中,一般控制图应用于标准化残差的表现。在第三章中,我们首先讨论一元纵向模式已知时,控制图的表现情况,并基于此给出了监控方法的控制线。然而实际应用中,纵向模式是需要从正常工作的个体观测中获取的。因此,在第三章中我们也讨论了纵向模式被估计出后,各种情形下(标准化残差独立、相关,监控均值突变漂移、渐变漂移)控制图的表现。所有结果都显示我们的方法是十分有效的。第四章,我们则考虑的多元情形。我们首先考察了观测值是来自多元正态多元分布的监控问题。然后讨论了非常一般的情形(标准化残差相关,标准化残差不服从正态)的监控统计量以及控制线的获取方法。同样的,所提方法具有良好的表现效果。需要注意的是,第二、三和四章中涉及到的实例分析,所用数据均来自美国国家心、肺、血液研究所收集的关于心肌梗塞研究试验的数据。