过程监测技术是保证工业过程安全和提高产品质量的有效途径。随着科学技术，尤其是计算机技术的飞速发展，海量数据的产生与存储已经成为现代工业过程的一个标志性特征。21世纪初基于数据驱动的过程监测技术应运而生，在很多领域得到广泛应用。多变量统计过程监测（MSPM）更是当前过程监测领域的核心技术之一。过程监测的研究方向涵盖故障检测和故障诊断两大领域。基于MSPM的过程监测方法大部分研究都集中在故障检测上，以主元分析法（PCA）和偏最小二乘法（PLS）为核心的故障检测方法目前已进入到成熟发展阶段，有一套较完整的理论体系。然而在故障诊断和故障识别领域MSPM的表现则略逊一筹。目前常用的基于非监督的故障诊断方法有完全分解贡献（CDC）法和基于重构贡献（RBC）法。两种方法都有污染效应（Smearing Effect），即故障变量会将其对检测指标的影响“污染”到非故障变量上，以至于发生误判。在参照主元分析法进行故障检测的前提下，本文结合重构贡献法和贝叶斯推理提出一种新的非监督的数据驱动故障诊断方法。该方法将之前故障变量的诊断结果应用于当前样本的诊断中，利用对故障信息的累积效应区分出主要故障变量和次要故障变量，从而消除故障诊断中的污染效应。在实际的复杂工业过程中，故障一般不是随机发生的，相反在控制器的控制作用下，由于变量之间的相互关联，故障会逐渐传播到其他变量上，称之为故障传播（Faculty Propagation）。CDC和RBC两者都不具有跟踪故障传播过程的能力，而本文提出的方法能够分析出故障的传播过程中不同的故障变量，从而定位出最终的根源故障变量。最后将这一方法应用到简单的数值仿真和复杂的Tennessee Eastman (TE)工业过程上，验证了提出的方法对解决污染效应和故障传播两大问题的有效性和适用性，该方法对于实际复杂工业过程的故障诊断提供了一种新的思路和解决方案。