近年来,随着社会市场需求的变化,适用于生产小批量、多品种、高附加值产品的间歇过程,正逐步被应用于工业生产中。由于间歇过程的复杂性,操作期间的微小变化都有可能降低最终产品质量,甚至引起故障。同时随着计算机技术与分布式控制系统的发展,工业生产过程中大量的数据被保存下来。因此研究基于数据驱动的间歇过程监控方法已成为工业界的关注焦点。与连续过程不同,间歇过程数据在本质上是三维的,这就使得间歇过程的数据处理与过程监控比传统的连续过程更加复杂。如何更好的处理间歇过程的三维数据实现更加精确的过程监控已成为一个方兴未艾的研究热点。目前的间歇过程监控方法,大都基于数据展开方法,即将三维数据展开成二维,然后在展开数据的基础上进行建模、检测以及诊断,这类方法忽略个数据结构,必然造成一定的数据丢失。随着现在工业过程对生产安全与产品质量要求的不断提高,微小的波动都有可能影响最终产品质量甚至严重影响经济效益。本文针对间歇过程的数据特点,对现存建模方法进行了比较,提出更加精确的间歇过程监控方法,对于间歇过程故障检测等领域中存在的问题有望提出一种新的解决思路。本文主要研究工作包括以下几个方面：(1)针对间歇过程现存的建模方法,本文做了深入的研究,比较了各种方法之间的共同点与差异,对各种方法的适用范围做了总结。(2)针对现存间歇过程建模方法的不足,本文引入一种新的广义线性回归模型——高阶偏最小二乘(higher order partial least squares,HOPLS)来处理间歇过程的三维数据,HOPLS可以克服传统建模方法导致的数据丢失,计算复杂,适应性差等问题。(3)针对HOPLS,本文构建相关的统计量HO-SPE和HO-T2,来进行间歇过程监控,以提高过程运行的可靠性、准确性与实时性。最后本文在青霉素发酵过程以及DuPont过程上对所提出的新方法进行仿真,并与目前比较流行的方法进行比较,验证了新方法的有效性。