在生产过程中，产品的加工尺寸的波动是不可避免的。过程控制的目的就是消除、避免异常波动，使过程处于正常波动状态。
贯彻预防原则是现代质量管理的核心与精髓，而SPC是贯彻这一原则的首选方法。 统计过程控制（SPC）是一种借助数理统计方法的过程控制工具。它对生产过程进行分析评价，根据反馈信息及时发现特殊因素出现的征兆，并采取措施消除其影响，使过程维持在仅受普通因素影响的受控状态，以达到控制质量的目的。当过程仅受随机因素（普通因素）影响时，过程处于统计控制状态（简称受控状态）；当过程中存在特殊因素的影响时，过程处于统计失控状态（简称失控状态）。由于过程波动具有统计规律性，当过程受控时，过程特性一般服从稳定的随机分布；而失控时，过程分布将发生改变。SPC正是利用过程波动的统计规律性对过程进行分析控制的。因而，它强调过程在受控和有能力的状态下运行，从而使产品和服务稳定地满足顾客的要求。
SPC诞生于二十世纪二十年代，以美国休哈特博士发明控制图为标志。自创立以来，即在工业和服务行业得到推广应用，二战中美国将其制定为战时质量管理标准，当时对保证军工产品的质量和及时交付起到了很大作用；自五十年代以来SPC在日本工业界的大量推广应用对日本产品质量的崛起到了至关重要的作用；八十年代以后，世界许多大公司纷纷在自己内部积极推广应用SPC方法，而且对供应商也提出了相应要求。在ISO9000以及TS16949中也提出了在生产控制中应用SPC方法的要求。
控制图是SPC中最重要的工具。目前在实际中大量运用的是基于休哈特原理的传统的控制图，但控制图不仅限于此。近年来又逐渐发展了一些先进的控制工具，如对小波动进行监控的EWMA和CUSUM控制图，对小批量多品种生产过程进行控制的比例控制图和目标控制图；对多重质量特性控制的T2控制图等。这些大大拓宽了SPC的应用领域，也增强了SPC工具的有效性。
SPC非常适用于重复性生产过程。它能够帮助我们对过程做出可靠的评估；确定过程的统计控制界限，判断过程是否失控和过程是否有能力；为过程提供一个早期报警系统，及时监控过程的情况以防止废品的发生；减少对常规检验的依赖性，定时的观察以及系统的测量方法替代了大量的检测和验证工作。
SPC作为质量改进的重要工具，不仅适用于工业过程，也适用于服务等一切过程性的领域。在过程质量改进的初期，SPC可帮助确定改进的机会，在改进阶段完成后，可用SPC来评价改进的效果并对改进成果进行维持，然后在新的水平上进一步开展改进工作，以达到更强大、更稳定的工作能力。
SPD是20世纪80年代由我国质量管理专家张公绪首次提出的。1980年，张公绪提出选控控制图系列。选控图是统计诊断理论的重要工具，奠定了统计诊断理论的基础。1982年，张公绪又提出了“两种质量诊断理论”，突破了传统的休哈特质量控制理论，开辟了质量诊断的新航向。此后，我国又提出“多元逐步诊断理论”和“两种质量多元诊断理论”，解决了多工序、多指标系统的质量控制与质量诊断问题。从此，SPC上升为SPD。SPD是利用统计技术对过程中的各个阶段进行监控与诊断，从而达到缩短诊断异常的时间、以便迅速采取纠正措施、减少损失、降低成本、保证产品质量的目的。
SPA是SPC发展的第三个阶段。SPA可判断出异常，告之异常发生在何处，因何而起，同时还给出调整方案或自动调整。SPA从90年开始提出，目前还处于发展完善之中。
在国内，提到SPC和SPD，我们很容易就会想到清华大学的孙静博士，她和张公绪教授一起合著了诸多关于SPC和SPD方面的专著，也是接近零不合格品过程的质量控制方法专家。在通常的SPC中，控制对象是不合格品，在接近零不合格品过程中，大量产品为合格品，而不合格品仅仅是偶尔出现，因此控制对象也自然由不合格品数改换成为相邻不合格品间的合格品数。孙静博士提出了多项达到国际水平的成果，如接近零不合格品过程的判异准则、判稳准则，接近零不合格品过程的CUSUM控制图、EWMA控制图等成果。其中CUSUM控制图、EWMA控制图远优于国外的两阶段控制图法。
预测性质量控制是将大数据分析技术应用于质量控制的一种科学方法。传统的SPC需要等质量参数被“生产”出来以后，才能用控制图进行判断，预测性质量控制则在产品还未完全生产出来之前，就能对其最终质量参数进行预测，当预测的不良品超过事先设定的门限值时就会预警。它利用各种大数据方法，包括回归(Regression)，逐步回归(Stagewise Regression)、领回归(Ridge Regression)、Lasso、决策树，Boosted trees, Boosted forests等等，基于历史生产数据进行建模，并依据不断优化的模型进行预测。