为达到改进与保证产品质量的目的，统计过程控制，作为质量管理中的重要工具，使用统计技术来监控过程中的各个阶段。控制图理论是过程质量控制常用到的数理统计方法。目前常用控制图，包括单变量控制图和多变量控制图，往往是基于产品(或过程)质量特性值服从某种一元或多元随机分布的假设之上的。然而，在复杂产品制造过程中，产品(或过程)质量可以由质量特性与观测变量之间的函数关系更好的表示或描述，我们称这种函数关系为轮廓图。轮廓图中的关键质量特性已不是单一数值或多维向量，以往控制图已不再适合于此加工过程的质量控制，这就要求研究如何对这种函数关系进行控制，研究如何进行轮廓图的控制也就显得非常重要。计算机技术的飞速发展，尤其是机器学习的兴起，为轮廓控制研究输送了新鲜的养料。机器学习算法不会受到数据本身分布的制约，从另一方面来说能够扩大控制图的应用范围。其中人工神经网络、支持向量机以及决策树算法已经被一些学者研究并应用于轮廓控制领域中。本文在支持向量机算法擅于解决小样本、高维度问题的基础上，又结合了支持向量数据描述算法擅于处理数据分布不平衡情况的特点，提出了三种新的控制方法，用以在第二阶段中监控线性轮廓图中回归模型系数及误差方差的变化。先通过仿真实验来确定三种控制方法各自的参数，然后再利用数值仿真实验来研究控制方法的性能，并且与基于人工神经网络的控制方法、T2控制图、EWMA/R控制图和EWMA-3控制图分别进行性能对比。仿真结果显示，在检测回归模型系数的中到大波动方面，基于支持向量机的控制方法具有明显的优势；而在监控误差方差的变化上，基于支持向量数据描述的控制方法要明显优于其他控制图。