国际纺织品市场的激烈竞争突出表现为质量、效率和价格的竞争。纺织品加工的质量是纺织企业的生命。但是目前很多纺织企业通过传统的测量和记录、现场人工统计与估算、工艺及设备的调整等方法对纺织产品质量控制,远远不能满足现代纺织品加工过程的需要。纺织品加工是一种典型的非平稳加工过程,将先进的自动化技术、计算机技术、人工智能技术综合应用于纺织生产,使纺织品质量稳定受控,是当前纺织业发展的一个趋势。智能化的生产方式正在逐渐成为现代纺织生产的主要特征,因此结合企业的实际生产情况,研究适用于不同要求和生产习惯的企业纱线生产过程中的质量智能预测和控制技术具有重要意义。论文的主要研究工作如下:1)基于神经网络,对纺纱过程参数与纱线质量进行复杂非线性关系建模,提出了一种基于遗传算法的神经网络权值和阈值优化方法,试验表明,通过网络模型参数优化,提高了纺纱质量预测模型的预测精度及稳定性,并且可有效地进行纺纱工艺参数优选。2)为提取纱线生产工艺参数与成品质量之间蕴含的关联知识,提出了一套基于粗糙集(RS)理论的纺纱工艺决策规则发现算法。构建了集成粗糙集与知识神经网络(KBANN)的纺纱质量预测模型,提供了一种合理确定预测模型权值初值及隐层神经元个数的途径,试验表明,显著提高了预测模型的学习性能与预报精度。同时依据发现的生产过程知识,诊断产品质量波动的原因,并指导过程参数的调整,改善产品质量,为混合智能学习模型在纱线生产过程质量控制的应用奠定基础。3)通过提取原始纺织加工数据的时域特征,并基于邻域粗糙集知识约简的思想,提出了一种控制图特征的选择方法,实现了对原始特征的优化选择,并利用遗传算法(GA)对识别器SVM的参数进行自适应寻优,构建动态过程异常检测模型,实现复杂工况下控制图模式的自动识别。根据控制图所描述的加工过程的变化,判断纱线生产过程是否处于控制状态,并依据生产工艺规则进行调整。