近几十年来,大型工业生产水平不断进步,生产模式逐渐复杂,对产品的要求越来越高,对生产环节的安全性能也越来越重视。因此需要建立高效稳定的监控模型监测各个生产环节,保障产品质量,减少安全事故。基于数据的降维方法可以从有噪声的信号中学习出系统的本质信息,建立符合系统特征的监控模型。本文以慢特征分析（Slow Feature Analysis,SFA）方法为核心,从工业数据中的离群点、系统动态属性以及过程变化与输出的联系等角度,对SFA做出研究和改进。（1）针对SFA对异常值没有鲁棒性的缺点,提出鲁棒SFA监控建模方法。用改进的M估计器对传统SFA进行处理,可以在特征分解的过程中用鲁棒统计量敏锐地识别出离群点,赋予它较小的权重,减弱离群点与正常数据分布的偏离程度,并不断迭代,逐步消除离群点造成的稳态和动态影响,恢复正常数据,并建立监控指标,通过对系统静态和动态属性的综合监测,可以加深对过程状态的理解。最后,通过一个数值非线性系统和TE过程验证了该方法的有效性。结果表明,该鲁棒方法能利用不良的数据集建立稳定的监控模型,正确区分系统运行状态的正常变化与实际故障。（2）针对工业过程中的变量变化速度和序列相关性展开研究,提出序列相关的动态SFA综合监控建模方法。SFA关注了相邻样本间的变化快慢,而工业过程中往往存在时序相关性。针对这两种动态性能,本文提出一个新的优化目标函数,挖掘出具有时序相关性的缓慢变量,更准确地描述过程的动态变化,并构建综合监控模型,分别评估过程变量的稳态和动态特性在故障中的性能表现。采用TE过程进行仿真,证明了该方法通过充分挖掘工业过程的动态特性,可以提供更准确的监控结果。（3）针对SFA是非监督型算法的问题,提出质量相关的SFA建模和全面监控策略。本章引入典型相关分析（Canonical Correlation Analysis,CCA）,考虑了特征潜变量与质量变量的相关性,提出CCSFA方法,从过程数据中提取出与系统输出高度相关的慢特征,并以此将过程数据空间划分为质量相关和过程相关的子空间,对不同子空间建立综合监控模型,探索过程数据和关键质量变量在不同的过程变化中的表现。TE数据的仿真结果显示,该模型由于对过程数据的变化进行了详尽的分析和监控,可以提供更多有关过程动态和质量变化的信息。