随着科学技术的发展,工业生产过程日趋复杂,设备自动化程度也逐渐提高,所获得的生产数据通常表现出时变模式,即数据的均值或方差发生缓慢的规律性变化。而如何有效利用这些高维数据,并对时变生产过程进行有效地监控成为该领域的研究热点。本文结合大数据和时变生产过程的背景,对复杂制造系统过程监控方法进行系统的研究和讨论。基于机器学习算法,从不同角度提出两种不同的监控时变生产过程的自适应控制图,主要工作如下:（1）本文提出了基于支持向量机的时变控制图方法,能够根据生产过程的变化及时更新分类器模型和控制界限,并根据第二阶段的数据构建动态分类边界,以实现对时变生产过程进行有效监控。同时通过添加时间权重因子和停止更新准则,实现对模型更新速度和更新区域的调节,使所提的时变控制图能够适应不同的时变模式。（2）本文提出了结合支持向量数据描述的递归主成分分析方法。因为递归主成分分析算法具有简单效率高的特性,因此本文利用其输出差值数据。同时结合支持向量数据描述算法,构建了差值统计量,弥补主成分分析投影空间对数据分布假设的缺点。从而有效降低时变生产过程的虚警率,并保持识别故障信息的及时性。最后,使用模拟数据和青霉素发酵数据验证了所提的时变控制图能够有效的监控时变生产过程,及时识别过程故障,并在不同的数据分布中都能保持较好的监控性能。本文构建的监控系统为时变生产过程监控方面的研究提供了新的思路和方法,具有重要的理论和实际意义。