对制造过程的质量状态进行监控,是实施过程质量连续改进的起点,质量诊断可以为过程质量连续改进指明方向。通过质量诊断发现过程异常并采取纠正措施,可以使过程恢复并保持稳定受控状态。随着制造过程现代化和复杂程度的提高,对过程控制和质量诊断提出了更高的要求,单纯使用传统的质量诊断技术并不能很好地满足这些要求。在进行质量诊断的过程中引进并综合使用包括计算机、人工智能等其它技术领域的最新技术成果,是质量诊断技术的重要发展方向。本文针对制造过程的质量诊断问题进行了如下研究：1)基于概率神经网络的控制图模式识别。传统单变量控制图是诊断过程异常的重要工具,但对过程中出现的控制图模式现象却无法加以正确判断。本文提出使用概率神经网络进行控制图模式识别,对概率神经网络的结构特点和参数进行了研究和设计,通过仿真实验对使用神经进行控制图模式识别的性能进行了评估,解决了使用其它类型神经网络识别控制图模式时存在的神经网络结构设计困难且识别率低的问题。2)基于最小二乘支持向量机的控制图模式识别。传统的SPC (Statistical Process Control)过程异常诊断方法只在大样本条件下才有效,使用神经网络诊断过程异常也需要使用大量的训练样本,当样本数量有限时,这两种方法并不适用。为此,本文提出使用最小二乘支持向量机技术对控制图模式进行识别,并对其性能进行评估。同时,为提高模式识别的性能,提出使用粒子群算法和遗传算法优化选择最小二乘支持向量机的参数,实现了在有限样本条件下控制图模式的有效识别。3) Cuscore (Cumulative Score)统计量对过程中预期异常信号的诊断。根据制造过程积累的先验知识,某些过程异常信号具有可预期的特征。使用Cuscore统计量诊断过程中的预期异常信号,可以有效利用以往积累下来的关于过程异常的先验知识。本文研究并评估了Cuscore统计量用于诊断非线性二次预期异常信号时的性能；提出使用移动窗口和最小二乘支持向量机模式识别技术进行变点检测的方法,解决了标准Cuscore技术中存在的失配问题,提高了Cuscore统计量对于预期异常信号的检测能力。4)多元过程质量诊断及异常变量识别。实际的制造过程多数属于多元过程且变量之间存在相关性。目前的多元SPC技术只能诊断过程的整体状态,不能对异常变量进行分离和定位。结合传统多元SPC技术,本文分别构建了多元过程均值矢量和协方差矩阵的智能诊断模型,将均值矢量和协方差矩阵的异常变量识别问题转化为模式识别问题来加以解决；设计了最小二乘支持向量机模式识别器；对提出的两个模式进行了性能评估；在诊断多元过程总体质量状态的基础上,实现了对异常变量的识别；通过对二元过程实例的分析,说明了模型的应用方法。针对制造过程的不同特点和不同的质量诊断要求,本文在研究以往过程诊断技术的同时,将人工智能技术应用于过程质量诊断,弥补了以往过程质量诊断技术中存在的不足,增强了过程质量诊断的效力,为质量诊断提供了新的研究思路和实现技术。