统计过程控制(SPC)是全面质量管理的重要内容,是企业实施产品或服务质量管控的关键手段,其应用效果决定了企业在产品或服务市场的核心竞争力。传统控制图作为SPC的核心工具,因其能够探测生产过程异常而得到了广泛应用,而与机器学习方法相结合的控制图模式识别技术,进一步强化和扩展了控制图的异常探测与识别能力,开启了控制图发展的新阶段,成为了近年来质量控制领域的研究热点。本文提出将一种深度学习方法——长短时间记忆网络(LSTM)用于控制图模式识别,构建了识别模型,进行了仿真实验验证,设计开发了应用原型系统。具体所做工作如下:总结了传统机器学习方法在控制图模式识别领域的研究和应用情况,及其存在的缺陷与不足。分析了深度学习相比传统机器学习的优势,研究了如何将深度学习方法与控制图模式识别结合,在深入研究LSTM分类原理的基础上,提出基于LSTM的控制图模式识别方法,并通过蒙特卡洛仿真方法创建了仿真数据集,进行仿真实验验证。实验表明,相比SVM、多层感知机等传统机器学习方法,LSTM对控制图的八种基本模式在离线识别效率或准确率上表现出优越性。研究了一种基于LSTM的控制图模式在线识别的三阶段模型。首先将八种控制图基本模式根据其几何特性归类为四种,定义为受控模式、向上模式、向下模式和复杂模式,训练出针对这四种模式的LSTM分类器,采用阈值调整法平衡第一类和第二类错误,测算出模型的受控平均运行链长(ARL0)和失控平均运行链长(ARL),负责第一阶段的异常监测,然后采用延时法训练出异常模式的Bi-LSTM粗分类器负责第二阶段对后三种模式的模式粗分,最后对后三种粗分的异常模式分别训练出LSTM细分类器,负责第三阶段的模式细分。针对该模型,通过蒙特卡洛仿真方法模拟了正常和异常的质量特性数据流进行在线识别实验,测试结果表明异常模式平均在线识别精度到达了0.948。基于构建的控制图模式识别模型,结合生产过程质量监控的实际需求,按照软件工程流程,分析、设计、开发了应用原型系统。系统采用了六层的分层架构设计,运用了目前流行的Java Web和Python Web开发的相关技术,实现了生产线启停控制、质量数据采集、控制图模式在线识别、识别困难样本存储、监测模型管理等核心功能,通过模拟数据运行证明其具备了一定的可应用性。