复杂产品包含大量质量特性,识别影响产品质量的关键质量特性(CTQ)是产品质量改进中必不可少的一步。实际生产中,大量质量特性数据从生产线收集,为后续分析提供了基础。本文针对复杂产品数据的高维性、数据非平衡性、质量特性时序性等特点,建立基于特征选择算法的CTQ识别算法。首先,针对数据高维性,建立了两个平衡数据CTQ识别算法。分别是基于ReliefF改进的识别算法和基于遗传模拟退火算法的识别算法。在基于ReliefF改进的方法中,提出一个新的CTQ数确定方法。结果表明,改进方法能够比传统ReliefF更加有效过滤无关、冗余质量特性。在基于遗传模拟退火算法的方法中,建立了结合质量特性数和质量特性重要性两个度量的综合适应度函数用于特征优化。实验结果表明,综合适应度函数能够增强算法降维能力。其次,针对非平衡制造数据,建立了一个两阶段CTQ识别框架。第一阶段,使用多目标优化算法识别出一组备选关键质量特性集。第二阶段,使用理想点法从备选解中选择最佳调和解,即CTQ集。基于该框架,分别使用多目标优化算法——改进NSGA-II和改进DMS,建立两个识别算法。在这两个算法中,分别定义了两种基于非平衡数据的质量特性重要性度量。实验结果表明,两个算法能够在数据非平衡条件下有效识别CTQ。最后,质量特性对应于产品加工各个阶段,具有时序性的特点。考虑各质量特性的时序性,并提出两阶段非平衡数据CTQ识别算法。在第一阶段,利用基于遗传算法和DMS的混合多目标优化算法选择备选关键质量特性集。第二阶段,从备选解中选择最佳调和解。在该阶段,考虑质量特性时序性,优先识别较早加工阶段的质量特性作为产品CTQ。实验结果表明了该方法的有效性。