随着质量认识与以控制图为主导的统计思想的深入，质量管理进入到统计质量控制阶段，统计方法逐渐渗透进管理质量中设计、制造、装配、服务全过程。进入21世纪后，统计过程控制在得到广泛应用后继续细分，对产品或者服务进行具有相关关系的多重质量特性监控的轮廓监控便是其中一个很重要的分支。　　SPC过程一般被分为两个阶段:第一阶段是以采集到的历史数据作为基础，提取稳定有效的数据，建立稳定状态模型;第二阶段根据已有的模型，在制造过程中对实时数据逐个进行分析，及时发现动态过程中的变异，调整过程状态。在轮廓监控第一阶段中，现有的监控方法已较为成熟，但是当一组轮廓的维度过高且参数拟合困难时，这些识别方法很难取得良好的效果。因此，为降低这类轮廓监控难度、提高异常点识别准度，本文在采用非参数方法进行第一阶段处理前进行降维处理。　　异常点识别是第一阶段轮廓监控里的重要部分，是正确模型构建的必要前序工作。异常点的存在容易造成分析错误，如以此基础建立模型，将严重影响到第二阶段的判断。因此在进行第一阶段历史数据建模前，筛选并剔除异常点是有必要的。x2控制图是现有的效果比较明显的异常点识别方法，并且对数据的限制比较低，适合用于情况复杂的轮廓监控。　　本文引入基于流形学习的非线性降维技术，并与x2控制图相结合，建立第一阶段复杂轮廓异常点识别方法。降维技术的使用能有效减小数据复杂程度，为x2控制图准确识别异常点提供基础;而x2控制图适用条件较广，对转换后的数据仍有较高识别能力。文章后半部分将通过计算机仿真和实际案例的分析，来证实所提方法的性能、适用性。