作为一种经典的过程质量诊断工具,控制图被广泛应用于现代工业生产中。控制图被用以检测生产过程的稳定性,控制图中点子的变化反映出生产过程中的质量波动情况,对质量控制图模式快速有效的识别,有助于及时发现生产过程中存在的异常因素。本文首先应用蒙特卡洛方法生成仿真数据,仿真数据用于训练和测试模型。然后,采用基于距离的可分性判据原理对两种特征:原始特征和基于主成分分析(Principal Component Analysis,PCA)提取的特征进行评价,选择可分性好的特征。接着,使用PCA技术对控制图模式的分布进行可视化,分析控制图模式在特征空间中的分布规律,为之后模型的建立作铺垫。然后基于单分类支持向量机(One Class Support Vector Machines,OCSVM)、支持向量机(Support Vector Machines,SVM)算法构建了 PCA_OCSVM_SVM控制图模式识别模型并采用移动窗口法进行了仿真实验。以实验结果中模型的识别速度和识别精度作为评价指标,研究了不同的OCSVM训练样本、不同数量的主成分、不同的分类器参数对模型性能的影响。以及研究了基于三种不同特征向量:原始特征向量、PCA特征向量、统计特征向量下模型的性能。通过与其他控制图模式识别模型进行对比,来说明本文所建模型的优越性。仿真实验结果表明本文所建模型具有更优的性能,达到高识别精度的同时,保持了较快的识别速度。