当代产品竞争力的核心是产品质量。以计算机为辅助实现质量管理监控是工业生产的常用方法。其中常规控制图、CUSUM控制图和EWMA控制图是日前最为普遍的监控方法,其基本假设前提是观测值独立同分布。然而在连续性的生产过程中,大多采集到的数据都存在自相关性,继续使用常用的控制图进行监控将发出错误报警,造成大量损失。因此,使用正确的方法对自相关过程进行监控显得尤为重要。目前调整常规控制图控制限、残差控制图等方法用于监控自相关过程,但效果都不是特别理想。本文研究了使用具有模式识别功能的BP神经网络,此方法不会受到数据是否独立同分布的制约,可以直接使用训练好的网络对数据是否失控进行预测。但是,因为神经网络中的初始权值和阈值是随机分配的,在训练次数一定的条件下,初始权值和阈值直接影响到网络的训练结果。本文针对以上问题,主要做了以下几方面的工作:(1)在阐述了常用控制图和残差控制图的基本理论上,通过实验进一步分析了几种方法在监控自相关过程时的优缺点。(2)针对观测值自相关性对控制图识别能力的影响,研究了将BP神经网络用于监控自相关过程的方法步骤,包括训练数据的选取和网络结构的确定,并用实例验证了使用BP神经网络进行识别的可行性。(3)针对标准神经网络收敛慢的缺点,采用遗传算法提高BP神经网络的收敛速度,且用遗传算法优化BP神经网络的初始权值和阈值,使用优化后的BP神经网络进行监控可以大幅度提高网络预测的准确性,同时还提出了利用预测结果确定偏移点位置的方法。(4)通过数值实验,详细对比了几种监控自相关过程方法的识别能力,结果表明本文提出的方法具有更强的识别能力和更精准锁定偏移点失控点位置的能力。