控制图是统计过程控制中提高质量常用的方法,即通过控制图中的异常模式查明引起异常的原因,使过程进入统计控制状态,保证产品质量.针对控制图八种异常模式固定、局限性较大、不能完全识别失控异常的问题,提出了一种基于迁移学习和卷积神经网络的控制图识别方法.首先,根据异常模式的特点抽象出6种模式,应用MonteCarlo方法创建模拟数据,并进行标准化和线性编码,去噪并提高样本的模式特征;同时将数值数据转换为图像数据作为样本数据;其次,根据同构空间下基于特征的迁移学习,将VGG16卷积神经网络进行迁移完成特征提取,改善了网络的泛化能力,同时利用目标数据集训练分类器;最后,在目标集上训练过程中,将特征提取的输出作为分类器的输入,并根据识别结果对网络进行微调,得到最佳控制图识别模型.实验数据表明,与BP神经网络进行比较,基于迁移学习的网络模型在更少的样本数据情况下,控制图识别准确率达98％以上.