随着经济社会的快速发展,在产品种类日益丰富的今天,产品质量的优劣越来越受到人们的关注。因此,企业要想在愈发激烈的市场竞争中脱颖而出,就必须要重视控制、改善和提高产品质量的技术和方法。统计过程控制（Statistical Process Control,SPC）是借助统计技术对生产过程进行监控从而确保生产过程稳定运行的一门科学,SPC是质量管理与控制的重要工具之一。在以往SPC的研究中,产品或生产过程的质量特性值通常为一元或是多元的一维变量。伴随工业技术的进步,产品的复杂程度也随之增加,有些产品的质量特征值需要通过二维（Two-Dimensional,2-D）空间离散数据进行刻画。此时,传统的SPC理论将无法使用。本文首先介绍了2-D空间离散数据的特点、建模方法和控制图方法的基础理论和知识。通过空间依赖性来刻画相邻空间关系的2-D空间离散数据通常会表现出一定的空间相关性（Spatial correlation）,文中采用内在高斯马尔科夫随机场（Intrinsic Gaussian Markov random field,IGMRF）来模拟空间相关性的层级贝叶斯模型（Hierarchical Bayesian model）来对2-D空间离散数据进行建模。同时,根据空间信息在相邻空间结构中的不同传递方式,构建三种相对空间距离模拟空间信息在相邻空间结构中的传递。基于贝叶斯（Bayes）定理和Markov Chain Monte Carlo（MCMC）方法,文中采用Gibbs抽样估计层级贝叶斯模型参数的后验分布值。同时,引入DIC（Deviance Information Criterion）准则,考察不同模型针对特定数据集的拟合程度。为了监控2-D空间离散数据,文中针对系数向量以及空间相关性变量的均值向量和协方差矩阵,分别构建了(2,(2,(2以及(2四种多元指数加权移动平均（Multivariate Exponentially Weighted Moving Average,MEWMA）控制图。数值仿真发现:当发生较大偏移时,(2控制图比(2更加灵敏;当发生偏移时,(2控制图始终比(2更加灵敏;当和同时发生偏移时,(2控制图始终比(2更加灵敏。相对而言,(2控制图对空间相关性变量的较大偏移比较灵敏,而(2控制图则对空间相关性变量中小偏移比较灵敏。最后,通过晶圆实例验证了文中所提出的建模和监控方法的有效性和稳健性。