本论文是在充分研究高斯过程建模方法在注塑成型工艺优化及参数协同控制领域的基础上,进一步在制糖生产工艺过程优化领域展开系统性的理论及应用研究。针对制造生产过程的波动特性及目前尚不能有效对多个目标质量实时监控、预测以及生产参数实时调控的问题,本文探索采用以高斯过程机器学习理论为轴线,从制造生产过程的现场数据建模和数据处理基础上,提出一套面向制造生产过程的趋势与参数优化的整体解决方法。针对制糖生产过程的数据获取过程,引进混沌分形理论对时间序列分析方法,研究制造生产过程中的趋势预测及质量控制问题,并结合高斯过程分析模型的深入研究,进一步拓展高斯过程在复杂制造领域的实际应用。针对制造生产过程现场采集的数据含有噪声和干扰的问题,采用混沌分形理论对数据进行时间序列分析。鉴于传统去趋势波动分析法(DFA)只能分离离散的多项式趋势的问题,本文采用自适应分形(AFA)模型,对数据时间序列相空间重构,刻画围绕全局趋势波动特征的同时保持时间序列的标度特征,以实现分离输入数据中含有的噪声和干扰,为模型建立提供有效样本空间。同时,采用AFA模型对每个过程参数和质量指标的数据集分析Hurst指数的变化来刻画时间序列中的长程相关性,以实现对生产过程趋势的预测。针对工业化的高斯过程建模数据信息量庞大、运算效率高的要求,研究提出了高斯过程模型的改进方法。首先,采用增强型平移传播Latin超立方体试验设计方法(ETPLHD),改善传统Latin超立方取样方法的质量和效率以实现构建高斯过程代理模型样本集的均匀性和有效性。接着,在代理模型训练的过程中对矩阵进行逼近,采用缓存方式加快算法训练速度;最后,采用最大化概率提高的EPI方法以满足高斯过程回归模型获得全局最优解,以此满足改进后高斯过程回归模型适用于制造生产过程的实际需要。针对传统时间序列模型难以有效分析非高斯过程型数据序列预测的问题,本文通过改进高斯过程模型的协方差矩阵形式运用于时间序列模型分析,以实现改进后的时间序列模型不但适用于平稳型时间序列数据的分析,也适用于非平稳以及非高斯过程型的时间序列数据分析。通过采用非高斯过程型Mackey-Glass时间序列,分析验证了修正后模型单步、多步预测效果是明显的。制造生产过程优化本质上归属于多目标优化问题,本文在充分研究制造生产过程中各类交叉相关性信息的基础上提出并建立高斯过程多目标协同优化模型。首先,采用基于非限定性相关矩阵联立高斯过程模型协方差函数的方法,使该协方差函数同时包含数值输入变量空间相关性和类别输入变量交叉相关性的有效定义。接着,通过超球面参数化分解方法构建非限定性相关矩阵,避免了直接求解优化问题中矩阵的正定性约束,降低了计算复杂程度。最后通过数值研究表明,使用高斯过程多目标协同优化模型不仅均方根误差较小,而且还能充分揭示各个质量目标间的交叉相关性。为了解决传统多目标寻优方法求解时难以兼顾Pareto最优解的收敛性和非支配解集多样性问题,本文提出了改进型多目标粒子群优化算法。即采用高斯变异算子的同时提出一种区域搜索策略,并使用数学规划方法进行求解以加速算法收敛到Pareto最优解,以解决算法的收敛性;采用结合Maximin算法和拥挤距离的共同优点,提出了一种改进Maximin适应度函数策略,不仅考虑粒子前后两点的距离信息,同时考虑粒子的偏置信息,以实现算法的精英保留与非支配解集多样性。本文以高斯过程机器学习理论为轴线,系统性研究了面向制造生产过程优化理论及方法。采用基于混沌分形理论的时间序列模型解决了制造生产现场数据降噪预处理的问题,实现了关键参数及质量目标全局趋势提取及预测;研究了制造生产过程中参数变量与质量目标之间交叉相关性信息,建立了较为合理的非线性多目标协同模型;同时采用区域搜索策略和改进Maximin适应度函数策略解决了多目标协同模型寻找非支配解的收敛性和多样性问题。其方法应用于对制糖澄清过程的蔗汁清度和色值质量指标进行趋势预测和控制,以及对生产过程工艺参数组的优化,通过实际生产验证,结果表明该方法不但能对生产过程数据有效的提取和处理,较好地预测趋势,而且能实现有效的质量控制和生产过程的工艺优化,同时也具有节省计算时间的优点。其研究对制造生产智能化、质量波动预测与优化控制等方面,具有明显的理论意义和工程应用价值。