目前工业过程日趋复杂,其生产规模不断扩大,一旦发生故障很可能导致严重后果,因此及时准确地进行故障检测和诊断对于保障系统安全可靠运行具有十分重要的意义。本文基于多元统计的方法,针对工业过程因多变量、非线性、强耦合等特性而难以进行有效过程监控的问题展开了研究。本文依托田纳西-伊斯曼(Tennessee Eastman,TE)过程仿真平台模拟真实的复杂工业过程,在主元分析法的基础上,提出参数优化的动态核主元分析法,进行故障检测实验和分析;以朴素贝叶斯方法为核心,对故障分类方法进行了研究。具体工作如下:(1)围绕多元统计方法在故障检测与诊断领域的应用展开研究,对传统的主元分析法(PCA)和独立元分析法(ICA)进行了理论介绍和实验仿真。详细分析了TE过程,按照影响程度的大小将故障进一步分类,并依此设计对比实验,分析了各种算法的有效性和局限性。(2)为了处理工业过程数据的非线性和动态特性,对PCA方法进行了增广和非线性扩展,在研究核主元分析和动态主元分析法的基础上,提出动态核主元分析法。针对动态核主元参数选取问题,通过重构增广矩阵和网格搜索及交叉验证法进行参数寻优。通过TE仿真平台对比实验,验证了参数优化动态核主元算法相较于传统算法检测性能的提升。(3)在分析了传统贡献图法的不足的基础上,以朴素贝叶斯(Naive Bayesian,NB)方法为核心进行故障分类算法研究,提出了基于DKPCA-ICANB算法的故障诊断模型,该模型利用DKPCA-ICA提取独立特征并生成故障标签,满足了朴素贝叶斯方法对标签属性独立性的要求。TE过程仿真平台的实验结果表明,DKPCA-ICA-NB模型在单一故障和多故障两种情形都具有良好的分类性能。