异常数据在统计学的研究中曾一度被认为是噪声数据,而噪声数据大多数情况下是不被关注的,随着科学技术的发展,越来越多的学者发现了异常数据的重要性,异常数据可以在各种各样的应用程序中转化为可供参考的信息,现在对异常数据的识别问题已经成为学术领域和应用领域的一个重要的研究问题。随着现代制造过程中的数据类型日益复杂,非线性轮廓型数据的监控问题成为统计过程控制领域的研究重点。非线性轮廓数据的异常点识别问题属于非线性轮廓数据的过程监控的第一阶段过程,监控的第二阶段是利用第一阶段得到的数据集建立控制图,并对未来的过程数据进行监控以判断过程是否处于稳定状态。目前的非线性轮廓数据监控研究以第二阶段为主,其中大部分假定受控状态数据是已知的。但事实上,第一阶段能否准确识别出异常对于第二阶段监控状态稳定性是至关重要的,因此本文把重点放在研究非线性轮廓数据的异常点识别的第一阶段。本文针对服从正态分布和非正态分布的非线性轮廓数据进行异常点识别,提出基于支持向量回归的方法,综合运用数据深度、聚类分析等技术识别过程中出现的异常轮廓。仿真测试结果表明所提出的新方法在识别异常非线性轮廓数据方面具有更高的准确性。木板垂直密度轮廓实例分析表明新方法能够有效应用于实际问题。