近年来,统计过程控制技术已经越来越多的被过程监控技术所采用,控制图模式识别是统计过程控制的一个重要内容,有效的控制图模式识别能够实质性的缩减生产过程参数偏离的原因集合,提高异常状态监测与诊断的速度和正确率。本文首先综述了过程监控系统中的控制图模式识别的现状,提出并研究了一类基于广义过程模型学习、可以分类处理过程控制图数据的广义神经网络系统,进行了Matlab仿真分析,并在TE仿真平台上进行了应用验证,最后介绍了开发的控制图模式识别应用系统。论文的主要内容如下:(1)研究了基于神经网络的控制图模式识别技术的相关问题;(2)分析了广义过程对象模型中的三个参数对控制图模式识别的影响规律,并基于此规律设计了用于广义过程的广义神经网络系统,此系统不仅可以实现对较宽参数范围内控制图模式类别的识别,而且可以实现对一些模式类具体参数的识别,并且达到了一定的识别精度。并在Matlab中仿真分析了模型参数对神经网络系统的影响。(3)研究给出了广义神经网络系统的学习算法,设计了Matlab仿真系统,针对广义过程对象进行了仿真分析,并且在TennesseeEastman过程平台上进行了实例研究,验证了所设计的系统对于TE过程可以获得较高的控制图模式识别准确率。(4)利用Matlab中的TE仿真平台作为仿真对象,采用WinCC作为OPC的服务器,应用Visual Basic语言开发了控制模式识别应用系统,由用户选择网络结构和学习算法,可以训练出适用于广义对象的网络。用户通过选择所要识别的变量,实现对控制模式的识别。本论文研究设计的系统具有基于广义对象模型离线训练后可以通用性在线应用的特点,适用于一般的工业过程。该系统不仅可以对常见的控制模式类别进行识别,而且还可以检测趋势模式的倾斜度、阶跃模式的幅值以及周期模式的幅值与周期长度等参数,进一步量化了控制图异常模式的幅度,为进一步提升生产过程的异常状态监测水平奠定了良好的基础。