产品质量是企业追求的永恒目标,是企业保持良性可持续发展的关键,在产品制造过程中,质量控制是保障产品质量的重要手段,智能制造领域对产品质量信息的实时性和准确性提出了更高的要求。工业大数据和人工智能等先进信息技术的发展为多工序产品的实时质量预测与诊断提供了新手段,成为当前研究热点。本文通过深度学习和数据挖掘技术对数据驱动的多工序产品质量预测与诊断问题进行了研究,对提升产品质量管控水平具有重要的理论意义和应用价值。建立了一种考虑数据集成管理和质量控制实时性的多工序产品质量控制体系框架。分析了多工序产品制造质量形成过程,采用分布式物联网架构,将大数据技术融入平台层,引入边缘计算框架,构建出数据驱动的多工序产品质量控制系统框架,对边缘数据处理、质量预测与诊断、质量控制可视化技术等关键技术进行了分析研究。构建了鲸鱼算法、卷积神经网络、长短时记忆网络与注意力机制相结合的数据驱动的多工序产品质量预测模型。考虑多工序产品制造过程中质量数据的高维高相关、多特征以及时序性等特点对质量预测实时性和准确性产生的影响,采用核主成分分析法对制造过程的数据进行数据降维,通过卷积神经网络提取深层特征,借助基于注意力机制的长短期记忆网络模拟上下游工序的质量信息传递,建立了数据驱动的多工序产品质量预测模型,并应用鲸鱼算法对其进行模型优化,实现对产品质量特性值的实时预测,实例验证了预测模型的准确性和有效性。构建了基于围绕中心点化分（PAM）的聚类算法和频繁模式增长算法相结合的数据驱动多工序产品质量诊断模型。分析了多工序产品工艺数据复杂关联关系,应用PAM算法对质量数据进行聚类分析。根据聚类结果,结合频繁模式增长算法对大规模数据进行快速挖掘,挖掘出工艺特征数据与质量指标状态的隐性关联关系,从而形成了质量关联规则库,实现了对多工序产品异常因素的诊断。实例验证了模型的有效性。采用Vue与ElementUI结合的前端框架、结合Python以及C#等编程语言,开发了数据驱动的多工序产品质量控制原型系统,实现了产品信息管理、质量预测与诊断等功能,为实现多工序产品质量实时控制提供了技术依据。