统计过程控制（SPC）在汽车、航空等诸多领域取得了显著的成就,但在玻璃纤维的生产过程中,质量管理依然以传统的抽检方式为主,存在诸多缺陷。因此,探究如何将SPC合理有效地应用在玻璃纤维的生产过程中,对玻璃纤维的发展有着重要意义。在玻璃纤维SPC的实施过程中,识别和理解控制图呈现的异常模式对SPC的效果十分重要,通过将模式识别引入到控制图分析中,控制图的性能将得到大幅提高。本文基于实际某玻璃纤维工厂SCADA项目,主要工作如下:（1）在玻璃纤维行业尚无SPC经验的现状下,针对该厂玻璃纤维的生产特点进行了SPC设计。明确了玻璃纤维中SPC的关键质量特性,对其进行了影响因素分析,并且确定了基于MSA的玻璃纤维测量系统性能分析方法。将玻璃纤维的SPC工况划分为一般工况、多品种小规格工况和特殊工况,并对不同工况分别进行了实例分析,详细阐述了其中SPC控制图的流程,讨论了SPC参数的实际含义以及优化策略。其中,针对非正态的特殊工况,提出了一种能够调节灵敏度的EWMA符号控制图。本文将SPC施加在了该厂生产线的各个关键环节中,建立了较为完善的SPC质量管理体系。（2）为了识别玻璃纤维SPC中的控制图异常模式,设计了基于模型融合的识别方法,使用基于boosting的轻量梯度提升器（light GBM）和卷积神经网络（CNN）,借助stacking的思想将它们结合在一起。利用相关性分析和light GBM筛选了17个异常模式的统计与形状特征,使用小波分析进行了频域特征提取。最后,通过对比实验说明了本文的方法相比其他模型而言,具有较高的精度和泛化能力,并且通过模型在实际数据上的效果证明了模型的有效性。（3）针对该厂生产线特点,合理地规划了SCADA布局,通过System Platform搭建了SCADA系统,大幅提高了该厂的数字化水平。在SCADA的基础上,进一步构建了SPC在线诊断系统来辅助人员进行决策,提高了该厂SPC的信息化和智能化水平。本文详细阐述了系统的关键开发流程,并且所采用模版化的开发方式使得系统能够快速地部署到其他玻璃纤维生产线中,极大地减少了工程量,缩短了项目周期。