在现代工业过程中,准确的过程监测与故障诊断是保证过程安全、提高生产效益和产品质量的关键。随着检测技术与计算机技术的不断发展以及其在工业过程中的广泛应用,过程的数据信息规模越来越大。如何利用这些历史数据中的潜在信息指导生产和实践,提高过程监控能力,已成为当前过程控制领域一个十分重要的研究课题。本文在总结和概括基于多元统计分析的过程监测及故障分离方法发展状况的基础上,深入研究了非线性过程的监测及故障分离问题,论文的主要工作包括：(1)针对传统PCA重构方法建立重构模型时没有结合过程正常工况数据、所提取的故障特征方向不能正确分离故障数据中的正常信息与故障信息的缺陷,在传统方法的基础上,进一步分析了故障数据与正常数据的关系,进而提取出各类别故障中导致检测统计量超限报警的故障特征方向。利用所建立的各类别故障的重构模型依次对现场故障数据进行故障重构,只有当前故障所对应的故障模型能够正确去除数据中的故障信息,消除检测统计量超限报警现象,据此可确定故障类别,达到故障分离的目的。通过电熔镁炉工作过程实例的仿真表明了此方法的可行性。(2)利用PCA重构方法实现故障分离的过程过于繁琐,需要对故障库中所有故障分别建立重构模型,并且在线监测过程中需要用所有重构模型对故障数据依次进行重构。针对上述问题,本文提出基于KLSR的故障分离方法,利用分类算法实现过程的故障分离。该方法通过高维特征空间中的多元线性回归分析将不同类别的故障样本集投影到相应的回归目标,并在模型训练过程中,采用修正因子修正样本的回归目标,优化所求的权值方向。考虑到训练样本过多会导致核矩阵存储空间与计算量的增加,本文在上述方法的基础上,通过在目标函数结构正则化中引入L2,1范数,求解具有稀疏性的系数矩阵,并以此提取对建模作用较大的训练样本。通过应用于iris数据集以及电熔镁过程的仿真实验,可证明所提方法的有效性。