近年来,随着工业互联网的逐步发展完善与成熟,很多企业开始重视生产制造过程中的数据,都建立起了相应的数据采集平台、数据储存与管理系统来对海量生产数据进行收集与使用。但是,目前企业并没有对数据的应用场景进行深入挖掘,对数据的利用率低,大量的数据资源被闲置浪费。针对上述问题,本文以注塑制品的克重为质量指标,将注塑加工过程信息与制品的质量品质联系起来,基于机器学习建立了相应的回归模型,实现对注塑制品克重的高精度预测。同时,利用可解释性方法对模型进行解释,进一步提升用户对模型的理解以及信任程度。论文的主要研究内容如下:（1）采用东华机械iSee4.0系统作为注塑加工过程参数的数据采集平台,并在注塑机设备上进行注塑制品制样,获取每一模次制品的克重数据,最终合并形成注塑过程数据集,共含有1129条样本数据。对采集得到的数据集进行了异常值处理以及训练集、测试集划分,选用可决系数、均方误差、平均绝对误差作为回归预测任务的评估指标。（2）对比了不同特征工程方法在注塑过程数据集中的表现,最终确定互信息法为本文数据集合适的特征选择方法。同时,基于特征筛选后的数据集,使用单一模型、同质融合模型、异质融合模型对注塑制品的克重预测进行研究,发现使用Stacking方法将单一模型中的支持向量机、神经网络以及同质融合模型中的随机森林和XGBoost进行异质模型融合,可以有效提高制品克重预测结果的准确性,因此选择Stacking融合模型作为制品克重最终的预测模型。（3）使用算法原理、特征置换以及SHAP三种可解释性方法对注塑制品的克重预测模型进行解释研究,并利用皮尔逊相关系数对不同解释方法下各模型的全局解释结果进行一致性分析,最终确定使用SHAP方法对Stacking融合模型进行解释,给出预测模型的全局解释与局部解释,进一步提升了用户对模型预测过程的理解以及对模型预测结果的信任。