统计过程控制（SPC）在产品和过程质量的监控和诊断中的应用仍然是制造业的一项重要研究问题。传感技术的发展为SPC创造了一个数据丰富的环境,生产制造过程信息的数字化、多元化的趋势逐渐清晰,传统SPC在该领域的应用受到限制。质量控制面临的挑战从数据获取的难度逐渐转向如何分析提取数据的信息和规律。并且由于连续生产过程本身的复杂性,产品或过程的质量也许无法通过一元变量或多元变量充分表示,以响应变量与一个或多个解释变量之间的函数关系来表示或许会更加适合。该函数关系即轮廓（Profile）,基于轮廓进行产品或过程质量控制的SPC过程称为轮廓监控（Profile Monitoring）,轮廓监控是当前统计过程控制中一个重要的方法,是现今质量控制领域研究的前沿热点之一。轮廓监控的阶段I分析的主要目的是识别出异常轮廓并将其移除,建立稳定受控的过程。基于受控轮廓建立控制图,对过程进行实时监控以发现过程运行状态的异常,即阶段II。本文关注的是轮廓监控的阶段I过程,异常值检测（Outlier Detection）是阶段I监控的关键。如果在阶段I中无法通过一些方法识别出异常值并对异常值进行适当处理,则可能会导致阶段II中产生误导性结果。因此提出一种有效的异常值检测方法至关重要。以往的轮廓监控研究主要集中在线性轮廓研究,非线性轮廓由于涉及更繁琐的估计过程使得其模型建立较为复杂困难,相关的研究成果较少。鉴于此,针对非线性轮廓异常值检测问题,本文提出了一种基于B样条拟合和改进聚类分析算法的异常值检测方法。并且通过仿真研究详细地分析了新方法在不同变异前提下的监控性能,同时通过与现有方法的比较分析,验证了新方法的有效性和优越性。最后,以经典的垂直密度轮廓（VDP）为例,表明了所提出的新方法能够适用于处理制造过程中常见的复杂形态的轮廓监控问题,在非线性轮廓的异常值检测研究中实现更高的准确性。