传统多元控制图能够有效监测多元过程异常,但存在无法辨别具体发生异常的质量特性变量的局限性。此外,随着生产节拍加快和自动化数据采集技术的应用,采集的过程质量特性值序列容易呈现自相关性,违背了多元控制图对观测值独立同分布的基本假设,会导致严重的虚报或漏报情况发生。针对多元自相关过程控制问题,众多学者引入人工智能领域中的机器学习方法,通过模式识别方式来探测与辨别过程异常成为近年的研究热点。相较于多元控制图,机器学习方法不受统计假设限制,能够很好应对过程质量特性值的自相关性问题,且在使用中不需要人员介入,有希望成为实现过程质量监测自动化和智能化的有效途径。在前人研究的基础之上,鉴于RF具有调参少、训练效率高、容错性好、不易过拟合等优点,本文将随机森林(RF)这一较为新颖的机器学习方法引入多元自相关过程控制领域,研究其对过程质量异常的识别方法和性能,主要做了如下工作:1)探究了多元自相关过程的特性,以二元自相关过程(一个典型的多元自相关过程)为目标,基于时间序列分析方法,进一步构建出二元自相关过程模型。首先通过AR(1)模型描述了二元自相关过程,再根据向上阶跃模式的特征定义出二元自相关过程的4种模式,最后通过Monte-Carlo仿真方法制备出4种模式的实验数据集。2)研究集成学习算法及随机森林分类算法原理,构建基于随机森林的二元自相关过程模式分类模型,确定随机森林的关键参数(子树棵数和分裂特征子集容量)的合理取值范围,通过标准粒子群(PSO)算法,以4种模式平均分类准确率最优为目标,进行组合寻优,得到随机森林两大参数的最优组合值,并结合多特征提取与融合方法,构建多特征下PSO-RF模型。仿真实验结果表明,通过多特征提取与融合,PSO-RF分类器的分类性能得到了较大的提升,从91.25%提升到了98.33%,且PSO-RF模型更优于该领域最常见的两种分类模型BPNN分类模型(92.30%)和SVM分类模型(97.16%)。3)基于提出的二元自相关过程异常模式识别模型,按照软件工程流程,设计开发一个针对二元自相关过程进行质量特性值数据采集与异常识别的应用原型系统,并基于仿真的过程数据流进行了初步应用验证。研究结果表明,提出的基于随机森林的二元自相关过程质量异常识别模型是有效的,且具备一定的可应用性。