产品的质量是现代企业增强市场竞争力、赖以生存和发展的基础。制造过程的质量控制与诊断是保证产品质量的重要环节。对制造过程质量进行控制，是实施过程质量连续改进的起点，而制造过程质量诊断则可为过程质量连续改进指明方向。通过制造过程质量诊断发现过程异常并采取纠正措施，可以使过程恢复并保持稳定受控状态。随着制造过程现代化和复杂程度的提高，对过程质量控制与诊断提出了更严更高的要求，单纯使用传统的统计过程控制与诊断技术并不能很好地满足这些要求。本文针对制造过程质量控制与诊断中存在的4个核心问题进行了研究，包括缺乏快速而经济的Shewhart控制图设计方法、缺乏高效统一的制造过程质量量化控制方法、缺乏实时准确的过程均值与方差控制图异常模式并行识别方法以及缺乏精准便捷的质量特性相关多工序制造过程质量诊断方法。本文的创造性研究成果主要有：（1）提出了一种基于过程历史波动知识的控制图统计经济设计方法针对传统Shewhart控制图设计中存在如下问题：(1)统计设计控制图的使用成本较高，(2)经济设计控制图的统计特性并不理想，(3)只注重在控参数而不考虑过程历史波动知识，提出了基于过程历史波动知识的控制图统计经济设计方法。实验结果表明，该方法不仅降低了控制图使用成本，而且保证了控制图的相关统计特性在需求值以内，并能更准确反映当前制造过程真实运行状态。为了求解控制图统计经济设计中的优化问题，分别提出了一种单目标和多目标粒子群优化算法。针对多目标优化问题通常有大量Pareto最优解，还结合聚类分析和伪权系数向量法设计了一个控制图多目标统计经济设计决策支持算法。在此基础上，成功地将上述方法应用于某企业机加工车间在轴承机械加工过程控制图单目标和多目标统计经济设计中。（2）提出了一种基于混合智能学习模型的制造过程质量量化控制方法针对传统Shewhart控制图实施中存在如下问题：(1)无法对过程状态作出定量评估，(2)过程因漂移而偏离正态分布时将会增加两种错误(虚发警报和漏发警报)的风险，提出了一种基于混合智能学习模型的制造过程质量控制方法。该混合智能学习模型由两个基于智能学习的序列模块组成：ModuleⅠ和ModuleⅡ。ModuleⅠ使用一个基于自组织特征映射神经网络的量化误差控制图来侦测过程异常并对过程异常的严重程度作出定量评估，ModuleⅡ使用一个基于离散粒子群优化算法的选择性神经网络集成(DPSOSEN-BPN)来辨识被ModuleⅠ中基于自组织特征映射神经网络的量化误差控制图侦测到的过程失控信号的异常源种类。实验结果表明，ModuleⅠ中基于自组织特征映射神经网络的量化误差控制图在侦测过程失控上的性能表现优于文献中常用的一些方法，ModuleⅡ中DPSOSEN-BPN具有较好的泛化学习能力，不但能在均值或方差异常单独出现时，具有快速而准确的辨识能力，也能在均值及方差异常同时出现时，取得较好的辨识绩效。在此基础上，成功地将混合智能学习模型应用于某企业喷涂车间白色面漆喷涂过程异常侦测和异常源种类辨识中。（3）提出了一种制造过程均值与方差控制图异常模式并行识别方法针对均值及方差控制图上出现的某一种模式通常是由不同的原因所引起，提出了一种基于选择性学习矢量神经网络集成的同时识别均值及方差控制图异常模式识别方法，此方法使用原始过程数据及统计特征值作为神经网络的训练样本。实验结果表明，该方法不但能在均值或方差控制图模式单独出现时，具有快速而准确的识别能力，也能在均值及方差控制图模式同时出现(亦即混合控制图模式)时，取得较好的识别绩效。实验亦显示结合了过程数据与统计特征可提升异常的控制图模式识别准确率。在此基础上，成功地将上述方法应用于某企业喷涂车间白色面漆喷涂过程均值及方差控制图异常模式识别中。（4）提出了一种质量特性相关多工序制造过程质量诊断方法针对传统的Shewhart分析方法在显示异常时，并不能告知是什么异常，发生在哪个或者哪些工序中，提出了质量特性相关的多工序制造过程质量诊断方法。实验结果表明，该方法不但可以诊断上道工序对下道工序的影响，分清上下两道工序的质量责任，还可以找出多工序制造过程中质量改进的关键工序。在此基础上，成功地将上述方法应用于某企业机加工车间滚柱零件机械加工过程质量诊断中。