随着科技的创新和社会的进步,数据采集技术得到显著提升,在医学、机械、工业生产等领域,已经不再仅仅监控单一数据,而需要针对高维数据流(Highdimensional Data Stream,HDS)进行实时监控,这令统计过程控制(Statistical Process Control,SPC)面临新的挑战。一旦生产过程发生异常,SPC中的故障诊断过程需要在系统发出OC(Out-of-Control)状态报警信号后识别产生偏移的原因,通过采取相应措施使生产过程恢复到稳定状态,因此HDS故障诊断成为近些年的一个研究热点。本文将多重检验方法运用到SPC领域中的故障诊断问题,创新地提出一种基于控制过度遗漏发现概率(Missed Discovery Excessive Probability,MDX)的HDS故障诊断程序。首先将生产过程中的高维数据流刻画为一个统计模型,然后将该故障诊断问题转化为控制MDX在一个合适水平的多重检验问题,最后通过寻找该多重检验问题的解,以此作为故障诊断问题的决策规则,并通过相关理论的提出与推导证明了该方法具备的理论基础。为适应更广泛的实际运用,依据原始数据相关参数和统计信息是否已知,本文也相应地分别提出了Oracle和Data-Driven故障诊断程序,它们在实际生产过程中同样适用。同时,为直观展示本文创新提出的程序具备更高的诊断精度,本文也将其与基于控制遗漏发现率(Missed Discovery Rate,MDR)的HDS故障诊断程序作了理论分析与数值比较,发现它能够减小系统故障诊断犯错误的概率,更大程度地识别生产过程中的OC数据流,因此能够提高诊断精确度。最后,通过将其应用到一组半导体制造生产数据中,本文实现了对该半导体生产过程的故障诊断,消除过程异常,也体现出该程序在实际应用中具备的价值。