随着智能制造在全球范围内快速发展，智能设备的不断引入和广泛应用，制造过程的复杂性和传感器种类的多样性，使得用于监测生产过程运行状态的数据具有非线性、非正态、高维度等特点。智能制造背景下，高维数据生产过程的质量监控引起了愈来愈多学者的关注。在以往的生产过程监控研究中，大都利用控制图方法实现生产过程的质量监控。当面对复杂的高维数据生产过程时，这些数据往往呈现出非线性的特点，且数据的分布特征难以估计。而控制图质量监控技术所构造的统计量大都需要服从一定的概率分布，从而限制了控制图质量监控方法的适用性。因此，如何针对高维数据生产过程的特点，提出有效的监控方法已成为生产过程质量监控研究的重要问题。
　　本文在收集整理大量国内外关于过程监控的研究文献的基础上，以数据降维方法和机器学习方法为理论依据，系统地研究了面向高维数据的生产过程质量监控方法。首先，通过高维数据生产过程的质量控制研究现状分析，对高维数据降维方法、控制图质量监控方法和机器学习质量监控方法进行研究。其次，根据高维数据生产过程的特点和数据降维方法的比较研究，将局部线性嵌入（LLE）降维方法和支持向量数据描述(SVDD)方法引入到高维数据生产过程的监控中。利用局部线性嵌入方法，对高维数据进行降维，去除冗余信息，提取关键特征。进而，利用降维后的数据构建基于SVDD的生产过程质量监控模型。最后，利用仿真实验和半导体生产过程数据，对高维数据生产过程监控方法进行实证分析。将本文所提方法与其他方法的性能进行比较，结果显示：本文所提的LLE-SVDD模型对于高维数据生产过程具有良好的监控效果，验证了该模型的有效性和适用性。
　　本文研究特色与创新之处在于：（1）针对高维数据生产过程中的“维度灾难”问题，利用局部线性嵌入方法对高维数据降维，可提高质量监控效率。（2）利用SVDD方法对降维后数据进行识别并利用粒子群优化方法对SVDD模型进行参数寻优。（3）LLE-SVDD质量监控方法的实证分析表明了该方法对高维数据质量监控的有效性。本文的研究不仅提供了一套可操作的高维数据生产过程质量监控方法，而且为其他生产过程的质量监控提供了新思路和实施途径。