随着制造业的快速发展,复杂生产过程中的质量管控越来越受到重视。生产过程质量控制目标是以最低成本生产出高质量产品,为合理对生产过程进行监控,提高对制造过程数据进行收集和分析,以处理生产过程中可能出现的所有问题。统计过程控制是帮助产品质量平衡和降低失效成本的过程控制工具,随着计算机发展与计算机技术的进步,传统的质量图控制方法已经不适用于大数据时代,以机器学习成为质量图控制方法的主流。本文通过机器学习算法,设计了一个用于混合控制图模式识别的智能网络。所提网络主要由三个部分组成:特征提取、参数优化和分类器。为有效获得每一种状态的特征,分别使用形状和统计特征进行提取,使用主成分分析（Principal Component Analysis,PCA）对特征进行二次提取,使用支持向量机（Support Vector Machines,SVM）对数据进行特征提取,并输出控制图类别。合理选择惩罚参数和核参数可以提升模型的性能,本研究通过遗传算法对模型的参数选择进行优化。为评估所提模型的性能,通过六种基本控制图和四种混合物控制图集合以及三个不同的实验对所提方法的有效性进行评估。实验1分别测试和对了BP、MSVM、PCA＿MSVM和PCA＿MSVM＿GA的模式识别结果,实验表明基于形状和统计特征提出的混合PCA＿MSVM＿GA方法比其他三种模型的性能更好。实验2测试和对比了FFR、PD和SSF模型,发现融合特征的FFR方法比其他模型的准确率更高,基于PCA＿MSVM＿GA＿FFR的实验能够更好的实现控制图的识别。实验3对比了深度学习方法,结果表明虽深度学习方法流程更加快捷,但准确率低于本文所提方法。为更好的实现混合控制图模式识别问题,本文首先使用控制图的形状和统计特征进行提取,然后使用PCA对特征进行二次提取。为更好的实现控制图识别,通过GA对SVM的核参数进行优化,使模型能够达到更好的性能。最后通过实验分析发现结合融合特征的FFR方法能够使所提模型达到更高的识别准确率,有效得对控制图进行识别,实现对生产过程的监控。