个性化及多样化需求使得现代生产过程日趋复杂,这表现在：工业现场的海量高维数据、过程的非线性、模型的不确定性和各子过程的相互干扰并呈现强耦合等特点,因而复杂生产过程质量预测与控制是制约现代企业发展的瓶颈。　　本文以纺织加工过程为对象，研究基于智能算法的复杂生产过程质量预测与控制方法。论文的主要研究工作如下：　　1）基于改进的极限学习机，对生产过程参数与产品质量进行复杂非线性关系建模。将PSO算法与ELM算法相结合，提出了模型的选择以及权值与偏置的优化问题，实验显示，与ELM模型相比， PSO-ELM模型用较少的隐含层节点数使纱线质量预测达到较高的精度，且其预测稳定性能也有所提高，相对于传统神经网络算法（如BP神经网络），PSO-ELM能在同等预测精度下大大减少算法的运算时间，可为纱线质量实时预测与控制提供有效依据，具有很好的实用性。　　2）在遗传神经网络预测模型的基础上，提出一种基于遗传算法的生产过程参数反演模型，并以纱线CV值为质量指标对纱线生产过程的关键工艺参数进行反演实验，反演精度达到93％以上，并可根据反演结果调节其动态加工生产过程中的敏感参数，使产品质量达标且工艺组合得到优化。该方法对复杂生产过程质量控制具有重要的指导作用，同时对企业新产品工艺开发设计的快速决策也具有很好的借鉴作用。　　3）提出了一种基于KPCA-SVM的动态过程异常检测模型，实现了复杂工况下控制图模式的自动识别，识别准确率可达98%且识别性能稳定。通过实际纺织生产数据测试，该模型能有效地识别不同时间窗内的控制图模式，并能根据控制图所描述的加工过程的变化，判断生产过程是否处于受控状态。