中国制造2025牵引着中国制造业向智能化发展。产品质量异常检测与推理是工业智能化的一个典型需求,它以产品加工数据和机器学习算法作为驱动,通过建立模型来分析各种工业数据,实时跟踪产品质量,辅助工作人员分析产品质量问题,进而改进产品质量。目前对于产品质量异常检测与推理的研究大多以有监督学习为主。但是,很多工业场景中拥有大量的无标签数据,可标记的样本较少,如何以无监督学习为主构建有效的产品质量异常检测与推理模型是当前所要解决的问题。本文开展了产品质量异常检测与推理算法的研究,具体工作如下:针对传统的无监督学习方法应用于产品质量异常检测时存在异常检出率低,无法精确定位异常变量的问题,本文提出了一种基于粒子群优化-自组织映射（PSO-SOM,Particle Swarm Optimization-Self-Organizing Map）网络的异常检测方法。首先,基于产品的正常加工数据以无监督聚类的方式构建模型,通过计算测试样本与正常状态之间的差异度实现异常检测;其次,基于异常权值定位异常变量,对异常数据进行解释;最后,改进了传统自组织映射（SOM,Self-Organizing Map）网络的学习率,利用粒子群优化（PSO,Particle Swarm Optimization）算法优化SOM网络的初始权值,解决了 SOM网络精度低、参数因子难以选择的问题。实验结果表明改进的PSO-SOM网络相比于SOM网络具有更高的模型精度和更低的时间成本;本文提出的异常检测方法具备良好的异常检测能力。在产品异常检测的基础上,为了进一步推理出当前异常加工状态可能导致的产品质量问题,本文提出了一种增量的最大最小二进制布谷鸟搜索（MMBCS,The Max-Min Binary Cuckoo Search）算法。针对最大最小爬山（MMHC,The Max-Min Hill-Climbing）算法容易陷入局部最优的问题,本文提出的方法采用了二进制布谷鸟搜索（BCS,Binary Cuckoo Search）算法代替MMHC的爬山算法,提高了算法的全局搜索能力;此外,针对MMHC算法无法有效处理流式数据的问题,本文提出的方法利用时间序列数据来学习贝叶斯网络结构,减少了构建贝叶斯网络的时间开销。实验结果表明增量MMBCS算法相比于MMHC算法搜索能力更强,不易陷入局部最优,更适合处理流式数据;基于增量MMBCS算法的产品质量问题推理方法具有较好的推理能力。