制造系统健康监测与维修决策是保证生产过程稳定性、产品质量一致性以及系统可靠性的重要手段。健康监测能够实时监测系统状态并及时发现系统异常,防止产生大量的不合格品或者发生重大设备故障。维修决策通过合理的维修手段和策略提升系统的性能及可靠性,保证生产过程的正常运行并满足产品质量要求。两者之间相辅相成,共同保障生产过程的高质量、高效率、高稳定性和低成本运行。本文中系统健康监测包括运用统计过程控制（Statistical Process Control,SPC）技术对生产过程状态进行监测和运用模式识别技术对设备（包含刀具）状态进行监测两种常用方法,其中生产过程状态通过系统所生产产品的质量特性来评估,设备状态通过分析传感器信号进行识别。在现有的健康监测与维修决策模型中,大多数针对的是仅考虑健康和失效两种状态的单组成成分制造系统。但是实际情况中,制造系统往往由多个组成成分（Manufactoring System Component,MSC）组成且各MSC在完全失效前往往存在着一个或者多个从健康状态到失效的过渡阶段,即亚健康状态。为了解决这种由多MSC组成或者具有多级状态的多状态制造系统的健康监测与维修决策问题,本文首先提出了两种分别用于生产过程状态监测和设备状态识别的健康监测改进方法,然后基于健康监测,提出了从单工位到多工位的多状态制造系统维修决策方法。本文主要研究内容及成果如下:以多状态的制造系统的产品质量特性为监测对象,提出了基于改进SPC的生产过程状态监测方法。首先,该方法基于延时失效概念和广义更新过程理论,设计了可变参数（Variable-parameter,Vp）的控制图监测策略。然后,设计了适应性抽样规则和非周期性监测方法以提升监测性能。为了解决这一问题,设计了统计特性约束下经的济优化模型并采用粒子群算法（Particle Swarm Optimization,PSO）算法进行求解。最后,相关算例分析、对比分析和敏感性分析表明了该方法的合理性、经济性、灵活性等特点。以多状态制造系统的设备为监测对象,研究了基于混合高斯隐马尔可夫模型（Hybrid Gaussian Hidden Markov Model,HGHMM）的设备健康状态识别方法。首先提出了一种基于皮尔逊相关分析和冗余分析的简化特征选择方法;然后利用HGHMM在时序数据学习中的优越性能对设备状态监测进行建模,同时,设计了改进的PSO算法对Baum-Welch（BW）算法的初始参数进行优化,避免陷入局部最优解。最后通过公开的刀具磨损和液压单元数据集验证了该方法的有效性。实验结果和对比分析都表明了该模型具有较高的识别精度。在上述两种健康监测方法的基础上,提出了基于健康监测的单工位多状态制造系统维修决策模型,为多级状态的制造系统提供适应性的健康监测与维修决策方案。首先,模型中考虑了系统健康监测中难以监测的稳定性因素并深入分析了4种维修方式对于系统可靠性和成本的影响。然后,以经济性为优化目标,设计了非周期性监测与非周期维修相结合的集成优化模型。最后,算例分析和对比分析表明了该模型的经济性、灵活性和广泛的适用性。提出了基于健康监测的多工位多状态制造系统维修决策模型,为串联多状态制造系统的维修决策难题提供解决方案。首先分析了混合失效机制下各工位的可靠性、非线性不合格品率与状态转移关系,然后分析了多种情形下的维修策略,最后根据经济性原则设计了优化模型并通过PSO算法结合蒙特卡洛模拟对模型进行求解。与单工位的维修决策模型对比分析显示,多工位联合优化模型在全局的经济性更优。在上述方法研究的基础上,设计并开发了多状态制造系统健康监测与维修决策原型系统,并以某空调生产车间的胀管工艺为应用案例,对本文所提出的方法进行验证。