制造过程质量控制是保证产品质量的关键环节,对于具有关联性的多个质量特性而言,如何有效地发现和诊断出现的异常,是需要解决的现实问题,但传统的质量诊断方法存在诸多不足,面对过程复杂的高新技术产品往往不能达到诊断要求。基于此,本文在回顾总结质量诊断相关理论及其研究的基础上,利用Cite Space软件对相关研究进行了归纳分析。以产品制造过程中的多变量过程质量为研究对象。针对制造过程中产品受多个具有关联性的关键质量特性影响,多变量控制图不能指明具体异常变量,诊断难度增加的问题,本文通过MEWMA控制图和构建模糊支持向量机（FSVM）模型实现多变量过程质量的诊断。主要的研究内容包括:（1）FSVM模型的构建及参数优化。考虑到传统支持向量机对异常变量进行分类诊断时易受到样本噪点影响从而降低诊断准确率,通过计算样本隶属度的方法能够减少样本噪点的影响,但常用的计算隶属度的方法容易忽略样本的边界模糊性,鉴于云模型具备模糊性和随机性特征,因此,本文引入云模型计算各异常类别中样本点的隶属度,实现对样本模糊性和随机性的度量,构建了模糊支持向量机模型。为进一步提高诊断效率,本文利用具有全局最优的杜鹃搜索（CS）算法优化模型的惩罚参数C和核函数参数g,介绍了优化流程。（2）模型测试及多变量过程质量诊断。分析了多变量过程质量均值偏移的诊断流程及三个质量特性均值偏移的7类异常模式,按均值偏移异常的模拟方法仿真得到各异常模式的样本数据,通过构建MEWMA控制图实现样本数据的监控和分析,利用得到的样本数据计算隶属度及参数优化仿真分析,并进行模型训练和测试,实现模型对7类异常的分类诊断,测试结果显示诊断的准确率为97.4286%,与改进和优化前的模型对比,构建的模型具有更高的诊断准确率。（3）实例应用分析。为说明模型的有效性和实用性,将构建的CS-FSVM模型应用于实例企业电容器产品的制造过程进行案例分析,通过采集芯子直径和芯子高度两个关键质量特性的样本数据,按照诊断流程对两个质量特性实现异常诊断,结果显示最终的诊断准确率为95.603%,验证了构建的CS-FSVM模型能够有效地应用于多变量过程质量的异常诊断,具有良好的诊断性能。