随着现代信息技术的发展,工业过程信息采集、存储、传输变得更加普及,大量的工业过程数据可以刻画工业生成过程的场景,基于数据驱动的过程监测方法变得更为可行有效,也因此成为过程监测领域的研究热点。近几年,深度学习作为机器学习中的热门研究分支,已广泛应用于计算机视觉,自然语言处理,语音识别等领域,这体现出深度学习具有处理复杂数据的强大能力。因此,深度神经网络等有监督模型以其优越的性能被广泛应用到工业过程的故障分类中。但在实际工业过程中,获得准确标签这类强监督信息是高代价的,相比之下,一些诸如无标签样本信息,不准确标签样本信息等弱监督信息获取较为容易且代价较低。本文面向工业过程监测中的故障分类问题,基于弱监督数据信息进行建模,提出了基于弱监督学习的故障分类方法,重点解决不准确监督信息,不完全监督信息两种弱监督信息的数据利用问题,主要研究内容包括:（1）针对工业过程中获取的样本数据集存在不准确标签及无标签的问题,在标签噪声只与样本所属类别相关的前提下,提出了通过引入描述一类样本标记其他类别的概率转移矩阵来修正传统神经网络模型交叉熵损失函数的方法,并针对工业中标签概率转移矩阵未知的问题,提出了一种利用二组分高斯混合模型及每类样本的最大后验概率值进行估计标签概率转移矩阵的方法。此外,提出的弱监督多层感知机模型可以结合伪标签方法对无标签样本进行利用,并提升模型的分类性能。（2）针对提出的弱监督多层感知机模型只能适用于类别相关标签噪声的特定情形,以及弱监督多层感知机的最终分类效果限制于预估计的标签概率转移矩阵,提出了引入概率图对标签概率转移矩阵进行描述,并把概率图和神经网络模型结合的方法,即嵌入概率图的神经网络模型。神经网络模型将使用概率图模型学习到的标签概率转移矩阵等参数修正其损失函数,概率图参数学习过程和神经网络模型训练过程迭代进行,最终获得能够对不准确标签样本数据集鲁棒的分类器。此外,针对无标签样本利用问题,将嵌入概率图神经网络模型中的全连接神经网络替换成堆叠自编码器,利用无标签样本对堆叠自编码器的模型参数进行初始化,进一步提高模型的性能。（3）针对标签概率转移矩阵只能描述与样本真实标签相关的标签噪声,无法用于标签噪声还与样本本身相关的情形,提出了基于类原型学习的弱监督故障分类方法,在每类样本中选择标签较为准确的故障样本,将其特征表示作为类原型,通过每个故障样本的特征向量与各种类别的类原型比较并推断出样本的真实标签,然后将推断标签计算的损失和原来标签计算的损失的加权结果作为分类模型的损失函数,这种损失调整方法减轻了模型对不准确标签样本的过拟合程度。此外,结合伪标签方法和类原型学习模型,提出的模型能进一步学习无标签样本信息,提高模型性能。