在现代制造业和服务业中,实际遇到的质量控制问题通常会由众多的质量特性组成,而不是单一特性。随着科学技术的发展,数据维度和复杂度都越来越高,传统的多元控制图已经不能满足实际应用需求。为能解决上述问题,本文提出了一种基于机器学习的多元控制图,选择的是机器学习中的Logistic回归模型,该模型对二分类问题的求解十分有效,不仅能精确的对样本类别进行划分,还能得到样本属于某类别的具体概率,为样本质量状态提供更多信息,是其他分类器所不能实现的;为了解决当样本维度过大带来的计算复杂度,本文选择使用Lasso(Least absolute shrinkage and selection operator,套索算法)正则化对模型参数进行特征提取,把对产品质量特性结果毫无贡献的变量权重化为零,只保留少数权重非零变量,实现高维数据的稀疏处理,得到更好的监控效果;本文还采用RTC的监控方法,对新观测数据和历史样本数据进行整合监控,解决了统计过程控制中只有一种类别样本的问题,同时提高了分类器的精确性和控制图的敏感性。随后通过仿真实验进行了监控变量的选择、模型参数选择和控制图性能对比分析。实验结果表明,本文提出的基于惩罚Logistic回归模型的多元控制图在性能表现上优于以往学者所提出的RTC-RF控制图和D-SVM控制图。最后将本文提出的新控制图应用在了实际生产案例,结果显示该控制图在实际应用中也有很好的监控性能。