统计过程控制（Statistical Process Control）起初主要用于工业过程监控和质量改进方面,经过几十年的发展,已被广泛应用于化工制造、食品卫生、医疗健康、金融服务、环境监测等领域。质量控制图（Quality Control Chart）作为统计过程控制领域的重要理论之一,是一种利用历史数据和最新信息,通过构建上下控制线来监测生产过程中的质量波动情况,对超出警戒线的异常情况进行检测并迅速报警的有效图形工具。起初,由于测量及分析技术的不完善,人们只能对生产过程中几个重要的质量特征分别构建单变量控制图进行监测;然而,随着工业和大数据技术的不断进步,在一些复杂的生产过程中,出现了空间维数大、变量相关性强的数据,传统的一元控制图已不能胜任实际生产领域对产品质量的监控需求,这也使得人们的关注点和研究热点逐渐转向多元控制图。此外,统计过程控制强调用数据说话,利用质量控制图进行监控和决策的结果对错一定程度上取决于测量数据是否准确。目前,大多数控制图的设计与研究都是基于测量精确这种理想的假设前提进行。然而,实际情况中,精确测量是十分罕见的,或多或少都会存在测量误差。如果存在测量误差却在未考虑测量误差的情况下进行分析,那么得到的结果往往是没有意义的,测量误差会对控制图在检测过程状态时的性能产生不利的影响:无法准确获得所监测质量特征的真实值,导致对控制过程报警信号的错误判断与决策,从而造成不必要的经济损失。目前,国内外已经有部分学者对各种一元控制图的检测性能进行测量误差影响分析,但对多元控制图的相关研究还比较少,并且还没有文献研究过测量误差对检测协方差矩阵漂移的多元控制图的影响。因此,考虑到多元控制图的应用前景以及精确测量的重要性,本文主要研究测量误差对多元控制图检测失控状态性能的影响。以张久军,何川（2015）提出的基于单个观测样本检测多元协方差矩阵的EWMA控制图（简称KQE控制图）为例,结合多元测量误差模型,构建带有测量误差的KQE控制图（简称ME-KQE控制图）以及多次测量方法改进下的ME-KQE控制图（简称KME-KQE控制图）。从理论推导和蒙特卡洛数值模拟的角度出发,结合评价控制图性能好坏常用的平均运行长度ARL这一指标,在阶段II过程协方差矩阵发生向上或向下漂移,以及不同的参数取值情况下:变量相关系数?的初始取值、变量方差的不同漂移程度?、线性协变量模型B中b的取值、测量误差协方差矩阵?m中?m~2的取值、多次测量次数k的取值,对理想情况下的不存在测量误差的KQE控制图、带有测量误差的ME-KQE控制图和KME-KQE控制图在检测失控状态时的性能进行比较,从而研究测量误差对控制图性能的影响。并且,将本文提出的ME-KQE控制图、KME-KQE控制图与Amiri（2016）提出的带有测量误差的基于似然比检验的联合控制图（简称ME-ELR控制图）以及多次测量方法改进下的ME-ELR控制图（简称KME-ELR控制图）,在过程协方差矩阵发生漂移时的检测能力进行比较。最后,结合两个具体的实例,在测量误差模型参数以及受控数据分布参数已知、未知但可估计得到的两种情形下,分析ME-KQE、KME-KQE控制图是否能对实际生产的过程状态进行正确的判断,从而评价本文构建的带有测量误差的控制图和监控方法在实际应用中的价值。大量的模拟研究和实例数据分析结果表明:存在测量误差却用不考虑测量误差的控制图进行监控,会导致对实际过程状态的错误判断。相比于没有测量误差的情况,测量误差的存在会降低控制图对过程协方差矩阵发生漂移这种失控状态的检测能力,但测量误差协方差矩阵?m中?m~2值越小、线性协变量模型B中b值越大、测量误差的不利影响就越小。并且,多次测量的改进方法可以有效减弱测量误差的影响,k值越大,这种不利影响就越小。此外,与现有的ME-ELR、KME-ELR控制图相比,本文所提出的ME-KQE、KME-KQE控制图在监控过程协方差矩阵漂移时具有显著的优越性。最后,ME-KQE、KME-KQE控制图在实际应用中对存在测量误差的生产过程数据有较好的监测效果。