经济全球化时代,企业在推动国民经济快速发展中发挥着中坚作用,质量成为企业核心竞争力。在错综复杂的市场环境下,出现了信息准确性、时效性与管理要求脱节、过程控制能力不足、区域质量标准存在差异和决策不准确的现象。面对质量管理的新形势,在质量科学研究中利用快速发展的计算机科学与人工智能技术,积极推进企业信息化管理是一个具有重要意义的研究课题。针对质量管理存在的问题,本文提出了基于抽样检验和统计过程控制的标准,从计划、检验和控制三个方面提高产品质量。同时针对统计控制图的局限性,提出了基于迁移学习和卷积网神经网络的控制图识别方法。根据实际调研进行需求分析,设计并实现了基于统计过程控制的质量信息管理系统,主要工作如下:1.针对统计控制图八种异常模式固定、局限性较大和不能完全识别失控异常的问题,提出了一种基于迁移学习和卷积神经网络的控制图识别算法。首先,根据异常模式的特点抽象出6种模式,同时将数值数据转换为图像数据作为样本数据。其次,根据同构空间下基于特征的迁移学习,将VGG16网络模型进行迁移完成特征提取,改善了网络的泛化能力,同时利用目标数据集训练分类器。最后,在目标集训练过程中,将特征提取的输出作为分类器的输入,并根据识别结果对网络进行微调,得到最佳控制图识别模型,总识别率达到98%以上。2.针对工作人员对同一问题或条目存在描述和理解的差异,造成信息交流的障碍,本文引入了数据字典的概念,建立一系列严密一致的定义,实现对系统应用的条目进行解释说明,有利于工作人员之间的有效通信。3.针对批量产品检验不规范和生产过程控制能力不足的问题,本文引入了抽样检验程序和常规控制图国家标准,将生产过程标准化,有利于科学规范的质量检验和过程控制,保证持续生产出高质量产品。4.针对企业内部系统间耦合度高、异构数据环境适应性差的问题,系统整体采用具有平台无关的web service集成技术,实现异构平台间功能集成,为企业提供了更加灵活有效的解决方案。5.根据企业实际生产需求,应用上述研究成果,设计并实现了质量计划、质量检验和质量控制模块,从产品和服务的质量目标出发,制定科学规范的检验计划和标准合理的检验过程,将质量信息管理体系与企业的目标有效地整合在一起。