随着世界经济的全球化，企业对产品制造过程中的质量控制日益重视。质量诊断是质量控制过程中的重要环节，及时、准确地发现过程质量异常，并定位引起质量异常的质量影响因素，能够有效提高产品质量，减少质量缺陷，对提高企业市场竞争力具有十分重要的意义。　　通过对制造过程质量异常诊断过程分析，建立了制造过程质量异常诊断体系框架；对该框架下的质量诊断知识的表达、控制图模式识别和质量异常诊断等关键技术进行了分析。　　基于本体论对质量诊断知识进行知识表达，结合粗糙集理论对质量诊断知识中的质量特性知识与质量影响因素之间的关系进行分析，从而建立产品质量诊断知识库，为质量控制图模式识别和质量诊断提供依据。　　通过对控制图模式分析，将控制图的统计特征与形状特征进行融合，并以其作为控制图模式分类的统计量；构造基于深度学习的卷积神经网络分类模型，对控制图的正常模式与异常模式进行识别；通过Monte Carlo仿真，验证了该方法在小样本条件下，具有较强的泛化能力和较高的识别精度。　　通过控制图的有效控制，可以实现对制造过程质量的实时监控；针对控制图模式发生异常问题，在分析贝叶斯网络推理基础上，构建了贝叶斯故障诊断网络，实现制造过程质量异常的诊断，发现引起质量异常的因素。　　以活塞杆外圆精磨工序为例，分析该工序所包含的质量诊断知识，建立质量诊断知识库；结合建立的控制图模式识别方法，实现精磨外圆尺寸值的有效监控；利用贝叶斯网络质量诊断模型，当活塞杆外圆精磨尺寸出现异常时，推理引起质量故障的异常因素。　　进行了制造过程质量异常诊断原型系统的功能需求分析，设计了制造过程质量诊断系统的主要功能模块；基于.NET开发平台，集成MATLAB环境，采用C＃编程语言，并结合SQL Server数据库管理系统，完成了原型系统的开发；结合应用案例，验证了制造过程质量异常诊断过程中所提理论、方法的合理性和有效性。