شناخت الگوهای جدول کنترل تولید یکی از مهمترین ابزارهای کنترل فرآیند آماری به منظور شناخت مشکلات فرآیند تولید می باشد. الگوهای کنترل تولید بطور گسترده برای تعیین که آیا وضعیت فرآیند تولید ماشینی بصورت پایدار یا ناپایدار کار می کند، استفاده شده اند. این پایان نامه، چندین روش موثر به منظور شناخت الگوهای جدول کنترل پیشنهاد می دهد. روش های پیشنهادی به منظور شناخت شش نوع الگو جدول کنترل که عبارتند از: نرمال، روندی افزایشی، روندی کاهشی، شیفت بالارونده، شیفت پایین رونده و الگو پریودیک بکار گرفته شده اند. در اولین روش پیشنهادی، مدل ترکیبی جدید که شامل سه مدل اصلی: یک استخراج ویژگی، یک مدل طبقه بندی کننده و یک مدل بهینه سازی می باشد، پیشنهاد شده است. در مدل استخراج مشخصه، یک مجموعه مناسب، ترکیبی از ویژگی های شکلی و آماری به عنوان خصوصیات موثر از الگوها ارائه شده است. به منظور طبقه بندی داده ها، ماشین بردار پشتیبان پیشنهاد شده است. در مدل بهینه سازی، یک الگوریتم بهینه سازی اجتماع پرندگان که همزمان برای جستجو بهترین پارامترهای ماشین بردار پشتیبان و انتخاب ویژگی استفاده می شود، برای بهبود عملگرد هر چه بهتر شناسایی الگوها استفاده شده است. نتایج شبیه سازی نشان می دهد که الگوریتم پیشنهادی درصد شناسایی خیلی خوبی دارد. این کارایی خوب تنها با تعدادی ویژگی (سه ویژگی) که با استفاده از الگوریتم بهینه شده اجتماع پرندگان انتخاب شده است، بدست آمده است. در دومین روش پیشنهادی، یک روش هوشمند هیبریدی برای شناخت نوع های متداول الگوهای جدول کنترل ارائه شده است. روش پیشنهاد شده شامل سه مدل می باشد: یک استخراج ویژگی، یک مدل طبقه بندی کننده و یک مدل بهینه سازی. در مدل استخراج ویژگی، تبدیل موجک چند رزولوشنی به عنوان مشخصه های موثر برای ارائه الگوها پیشنهاد شده است. در قسمت طبقه بندی کننده، یک ماشین بردار پشتیبان چند کلاسه استفاده شده است. در آموزش ماشین بردار پشتیبان، مقادیر پارامترها برای کارایی شناخت آن نقش مهمی دارند. بنابراین، در مدل بهینه سازی، یک الگوریتم ژنتیک موثر برای انتخاب پارامترهای مناسب کلاسیفایر پیشنهاد شده است. نتایج شبیه سازی این روش درصد شناسایی برابر 99.37% را نشان می دهد. در سومین روش پیشنهادی، سیستمی ترکیبی ارائه شده است. در قسمت استخراج ویژگی از تبدیل موجک برای استخراج ویژگی به عنوان شخصیت موثر الگوها استفاده شده است. همچنین به منظور جدا سازی، تکنیک خوشه بندی با استفاده از الگوریتم ژنتیک پیشنهاد شده است. الگوریتم ژنتیک به منظور پیدا کردن مرکز خوشه ها بهینه بکار گرفته شده است. نتایج شبیه سازی نشان می دهد که الگوریتم پیشنهاد شده مزایایی از قبیل خوشه بندی سریعتر و کارایی شناسایی بهتر و همگرایی سریعتر در مقایسه با روش معمول خوشه بندی (k-means) دارا می باشد.