制造工业产品缺陷的分析是改进企业产品制造过程的重要途径之一,对于产品质量以及营销收益有着重要的研究意义和应用价值。伴随计算机技术的快速发展、自动化系统的全面部署,产品制造过程中信息采集和存储的难度大大降低。具有潜在信息和价值的数据在不断地积累。同时,机器学习、数据挖掘等方法在各行各业取得了飞速的发展和应用。然而制造业由于工业性质对这些数据的利用水平远不如其它行业,并没有真正地发挥这些数据应有的价值。为此,本文针对制造工业品数据的主要特点,总结了一般的针对工业产品缺陷分析问题的处理流程,对数据进行处理以及统计分析,并将分析产品各项质量检测结果与产品的缺陷数据之间的关系问题,转化成通过统计学习方法建立产品质量与缺陷的分类模型。然而缺陷数据同时出现多个缺陷类别以及类别样本数目不平衡的问题,这对分类算法模型的构建而言是一大阻碍。本文针对需要同时扫清该两者障碍提出了结合代价敏感与集成方法的多分类器模型,通过样本重赋权重再缩放的方法结合分类代价敏感,再集成多个决策树构建多分类模型。实验结果表明该模型可以有效地处理不平衡类别的多分类问题,同时可以平衡分类代价和预测的准确率。此外对决策树的集成拟合可以得出相关属性的重要性度量,可以作为追溯缺陷主要影响因素的一个依据。