包含多道加工工序的生产过程已经成为现代制造业的一个显著特征,每道工序都有若干个参数对最终产品的质量产生影响,由于影响参数和质量指标之间的存在复杂的非线性关系,因此很难建立产品质量的数学模型。本论文即是紧紧围绕质量建模的特点和要求,重点研究针对制造过程质量建模方法。建立高准确度和高可靠性的质量模型能够对质量进行超前预报和控制,有效的提高产品质量,防止废次品的产生,对我国制造业水平的提高具有十分重大的理论和实际意义。论文得到广东省科技攻关项目(NO2005810201039)的资助。 针对质量建模技术的应用研究中存在的主要问题,论文探索研究基于Elman神经网络的质量建模的具体应用技术和方法。主要内容包括：分析了制造过程质量建模的条件和基于OIF Elman神经网络的质量建模的优缺点,重点探索了基于OIF Elman神经网络的质量建模的具体实施步骤,包括样本预处理、模型各层的神经元数目和训练算法。提出了一种基于Elman神经网络的质量建模方法,并对其学习算法进行了推导。通过仿真实验验证了两种模型的泛化能力；提出了基于小波Elman神经网络的质量建模的新方法,分析了建模的基本原理和该模型的特点,探讨了小波Elman神经网络模型的拓扑结构,重点讨论了该模型的训练过程,详细推导了动态梯度训练算法和遗传训练算法,把小波Elman神经网络模型应用于冷轧带肋钢筋的性能的预测,验证了该模型具有良好的预测性能；完成了三种模型的训练算法的程序设计,根据质量建模的需求,在MATLAB平台上开发了质量建模平台的软件；将本文中提出的三种模型应用到活塞环生产的氮化工序中,对氮化层的硬度进行建模与预测研究。 实验结果表明：基于Elman神经网络模型的预测准确度是77％,基于OIF Elman神经网络的预测准确度是82.4％,基于小波Elman神经网络模型的预测准确度是89％。实验结果证明了三种模型在质量建模中应用的有效性。综合上面的应用仿真结果表明,基于Elman神经网络的质量模型具有通用性强、综合性能高的特点,具有良好的实用价值。