化工过程中的生产工艺复杂多变且变量间耦合性强,一旦某处生产环节发生故障,则会导致变量之间发生连锁效应,造成严重的事故后果。因此,如何有效提高企业应对化工事故的风险管控水平,及时确定化工过程故障原因和事故发生路径,是保障化工生产过程安全运行的关键。本文对化工过程的故障诊断和动态风险评估进行了研究,论文主要工作如下:（1）提出了改进的IFA特征提取和RF-RFECV特征选择两种数据预处理方法。针对故障数据高维性、耦合性的特点,IFA基于主成分分析的方差贡献率确定了因子分析的公因子数,通过对原始特征的空间映射获得了新特征;RF-RFECV基于随机森林结合交叉验证递归特征消除算法,从原始特征中筛选出最具代表性、分类性能好的特征组合为子集。有效实现了故障数据的特征降维。（2）提出了基于PSO-KSVM的二分类故障诊断模型。在高斯核支持向量机（KSVM）模型的基础上,针对模型的惩罚参数C、核函数参数σ不易确定的问题,采用粒子群算法（PSO）对模型参数进行优化。应用于田纳西-伊斯曼（TE）过程的仿真结果表明,PSO参数优化过的KSVM模型具有更好的故障诊断能力。（3）提出了基于IH-PSO-KSVMs的层级多分类故障诊断模型。针对传统的KSVM多分类模型建模困难、准确率低的问题,结合RF-RFECV对每类故障数据做特征选择,并引入k-means、相似性度量方法确定了每类故障特征子集的类中心点和差异性,搭建了层级分类模型。仿真结果表明,IH-PSO-KSVMs模型兼顾了传统模型结构简单、性能稳定的优势,满足了多类故障的诊断需求。（4）提出了基于贝叶斯网络的储罐泄漏动态风险评估方法。针对传统蝴蝶结分析方法（BT）无法捕捉化工过程动态风险特征的问题,以某制药公司自动打料系统中的储罐泄漏事件为案例,将BT模型映射为BN网络,充分结合两者优势。通过引入欧氏距离和改进的A-star算法,辨识系统的关键风险因素和储罐泄漏的最可能发生路径,并从技术、管理、个体培训三个板块给出了风险管控措施。