随着工业现代化时代的到来,近年来生产过程的安全性和产品质量的可靠性已经得到人们更多的重视。基于数据驱动的过程监测策略已成为过程工业中提高安全、质量和运行效率的关键技术。因此,依据数据驱动的多元统计分析算法对工业过程进行实时监测成为学术界的关注热点。本文在众多学者的研究基础上,探讨了具有动态性和多模态特征的过程质量监测问题。本文的主要研究内容概括如下:（1）为了解决多变量动态过程的监测问题,提出一种基于独立成分分析-互异度（Independent Component Analysis-Dissimilarity,ICA-Diss）的故障检测方法。首先,通过独立成分分析（Independent Component Analysis,ICA）提取原始高维数据的独立成分。其次,确定两个独立成分数据集,其中一个数据集是由默认窗口构成,另一个数据集是根据该窗口数据的第一近邻构成。然后,提出一个新的统计量来衡量两个数据集的互异度。最后,通过逐步移动默认窗口来更新数据,并计算每个窗口数据的差异程度以便监测动态过程的状态。在ICA-Diss中,利用ICA可以捕捉到观测数据的潜在信息。同时,基于独立成分的统计量既可以减少时间序列对过程监测的影响,又能提高动态过程的故障检测率。将ICA-Diss应用于一个动态数值例子和田纳西-伊士曼（Tennessee Eastman,TE）过程仿真实验,并与主元分析（Principal Component Analysis,PCA）、动态主元分析（Dynamic Principal Component Analysis,DPCA）和ICA方法进行比较,验证了所提方法的有效性。（2）为了监测具有显著自相关水平的多变量系统,提出一种基于独立成分分析-统计特征（Independent Component Analysis-Statistical Characteristics,ICA-SC）的故障诊断策略。首先,通过ICA寻找过程数据的独立成分。然后,利用窗口宽度和滑动步长等默认参数在独立元空间中获得窗口数据集。接下来,计算每个窗口数据集的统计特征,包括监测的独立成分的均值和方差。最后,基于这两个统计特征,提出了一种新的统计量来监测当前过程的运行状态,并利用这些独立成分的贡献图来分析异常变化的原因。数值实例和田纳西-伊士曼基准过程的仿真结果表明,与DPCA和ICA等传统多变量监测方法相比,ICA-SC可以降低计算复杂度,提高具有显著自相关的动态过程的故障检测率。（3）为了解决复杂的变量尺度和离散程度不同的多模态过程故障检测问题,提出局部保持投影-邻域加权马氏距离（Locality Preserving Projections-Neighborhood Weighted Mahalanobis Distance,LPP-NWMD）质量监测方法。首先,利用局部保持投影（Locality Preserving Projections,LPP）将原始高维数据降到低维空间中。然后,在低维空间中确定每个样本第k近邻的前K近邻集并计算样本的权重。最后,将样本的邻域加权马氏距离作为统计量对过程进行质量监测。LPP-NWMD方法在保持原始数据近邻结构的同时降低了计算复杂度,除此之外,加权马氏距离消除了数据的多模态和变量尺度不同的特征,提高了过程故障检测率。通过数值实例和半导体蚀刻工艺仿真实验,对比传统的PCA、k近邻（k-Nearest Neighbor,k NN）等方法,结果验证了LPP-NWMD的有效性。