由于自相关过程的特性,其观测值不满足传统统计过程控制理论(SPC)对观测值的基本要求—观测值相互独立,所以使用传统休哈特控制图控制自相关过程会引发大量虚发报警,而且对过程异常的检测灵敏度也降低。本文尝试将神经网络方法引入自相关过程控制中来,并取得了良好效果。首先通过时间序列模型建立自相关序列模型。以前的研究中,对于均值变动的研究只局限于阶越式均值突变。但渐进式均值漂移也是自相关过程均值变动的主要形式之一。作者建立了基于AR(1)模型的渐进式均值漂移模型。国外已有研究使用BP神经网络控制自相关过程,但大多控制效果与残差控制图接近。为有效提高神经网络的控制能力,训练数据的选择非常关键。作者总结了选取训练数据的原则。使用依照该原则选取的训练数据对网络进行训练,取得了很好的训练效果,网络达到收敛。将经过训练的BP神经网络应用于自相关过程控制,对过程处于稳态、过程发生阶越式均值突变和渐进式均值漂移的控制结果进行分析。为保证评价指标的一致性,作者定义了基于神经网络的ARL(平均链长)和识别率。将此结果与残差控制图对过程稳态和发生阶越式均值突变的控制结果相比较发现,作者所构造的BP神经网络比残差控制图对自相关过程的控制更有效。为尽可能缩小过程控制的取样空间,提高反应速度,本文对BP神经网络输入层神经元数的选择进行了研究,给出了对应不同相关性程度和不同均值变动幅度的输入层神经元数的建议。根据该建议,可以在保证神经网络识别率的基础上针对不同情况选择尽可能小的输入层神经元数。对隐层神经元数的研究使网络训练达到收敛,很大程度上提高了神经网络的识别率。总结出不同隐层数所对应的网络收敛情况和识别率。最后通过陶瓷滤波器生产过程中镀银工艺的实例研究对比检验休哈特控制图、残差控制图和BP神经网络对实际生产过程中自相关过程的控制效果。结果证明BP神经网络对该自相关过程的控制最有效。