工业产品质量控制是工业产品获得稳定质量要求的重要手段。传统的工业产品质量控制是独立分析各种潜在信息或价值数据对质量指标的影响,而在工业生产过程中会产生海量数据,其数据具有数据脏乱、变量类型混合(数值型、类别型等)、特征判别性不足、数据分布不平衡等特点,难以发现数据之间内在的联系。本文将产品质量控制问题转化为典型的机器学习问题,以工业中的制造业产品质量控制为研究对象,基于对生产流程中不同进度下的产品关键质量指标(良品率)的预测,及可调工艺参数最优预设值的推荐来进行应用研究,提出基于集成学习的工业产品质量控制方法。主要创新工作如下:1)针对数据分布不平衡的难点,在数据层面,本文通过过采样和改良版欠采样的方式来调整训练样本分布不均匀的问题;在算法层面,本文选取了代价敏感学习的方法,选取Boosting集成学习算法作为基础算法模型,提出了基于代价敏感的梯度增强树算法(CSXGBoost),形成了一种数据层面和算法层面相结合的处理方案。2)针对关键质量指标预测问题,本文通过利用集成学习中随机森林、XGBoost算法及引入深度学习的DART算法进行回归模型线性融合,同时利用分类模型后处理的结合方式,提出了一套基于集成学习算法的多模型融合的关键质量指标预测方案。3)针对可调整工艺参数推荐问题,本文提出了在关键质量指标最大化下的参数统计量特征分析方法和基于不可调整参数特征的相似性匹配方法,实现对可调整工艺参数的最优组合推荐。实验结果表明提出的方法能在较小RMSE评估指标下对制造业不同进度下的产品数据关键质量指标进行较好的预测,及能较优地对生产过程中可调整工艺参数预设值进行推荐,进而对其产品质量控制有深刻的指导意义。