近几年来,随着我国航天事业的蓬勃发展,航天复杂产品的质量控制受到越来越多的关注。面对着众多的产品特性,如何筛选出产品的关键质量特性集,是航天复杂产品质量控制中极其重要的环节之一。识别出关键质量特性,有利于产品的质量控制,提高生产效率,节约成本。因此,航天复杂产品的关键质量特性识别问题,已经成为航天领域所关注的重点问题。对于航天复杂产品,由于其产品的特殊性,市场的需求量并不是很高,因此生产的批次很小。同时产品在设计和制造阶段,需要经过一系列复杂的工序。同时,由于技术的进步,合格的产品所占比例不断提高。本文通过研究航天复杂产品数据,总结得出产品数据具有高维度、小样本、数据不平衡、特征具有相关性的特点,提出采用改进弹性网算法,结合了Bootstrap抽样技术以及SMOTE算法来识别影响最终质量水平的关键质量特性,得到最重要的关键质量特性子集,从而避免和减少冗余以及不相关的质量特征,增加了识别模型的稳定性和适应能力,为航天复杂产品的质量控制奠定了基础。同时,选择随机森林分类算法,根据已识别的关键质量特性集对产品进行分类。利用分类准确率和分类性能指标这两种评价方式,对关键质量特征识别模型进行评价,并进行数据实验和对比分析,验证模型的有效性。实验结果表明,改进的弹性网特征选择算法具有一定优势:一方面,弹性网算法能够降低特性维度,识别得到产品的关键质量特性集;另一方面,通过结合Bootstrap技术和SMOTE算法,能够解决识别过程中的难点问题,改善了识别模型的性能,使得模型拥有较好的普适性。将识别出的关键质量特性集应用于分类算法,发现基于改进弹性网算法的分类性能优于LASSO算法。对于航天复杂产品的关键质量识别,尤其是高维度、小样本、特征相关和不平衡数据的质量特征数据集,在模型的对比中发现,改进弹性网算法优于改进LASSO算法。因此,本文提出的关键质量特性识别的方法能够有效的识别出产品的关键质量特性,同时识别得到的特性集又具有不错的分类效果。