工业生产的安全性和稳定性是保证产品质量的前提。近年来，各类生产安全事故的频繁发生，使得人们对于安全生产的关注度越来越高，过程监控技术成为人们研究的热点领域之一。其中，基于数据驱动的多元统计过程监控(Multivariate Statistical Process Monitoring，MSPM)方法凭借其可实施性强、操作简单、仅利用采集的数据进行监控等优点，得到了研究者的广泛关注。　　本文以MSPM中的概率模型为框架，以因子分析(Factor Analysis，FA)为主线而展开，建立系统的概率模型，以解决工业系统中普遍存在的非确定性和非线性两个方面的问题。本文主要工作如下:　　(1)研究有效降维的问题，针对传统因子数选取法中仅考虑整体收敛性的局限，本文提出了一种结合Lederman条件公式的整体-局部因子数选取法。通过Lederman条件公式可以有效地减少期望最大化(Expectation Maximization，EM)算法的迭代次数，从而提高计算效率。整体-局部因子数选取法可以统筹整体和局部的关系，使得选取的因子数可以同时保证整体和局部的信息解释率。该方法在有效降维的同时，还能保证信息解释率达到最大。　　(2)研究在线监控时监控指标的构造问题，针对FA中传统监控统计量信息利用不足的缺陷，提出了一种负对数似然概率(Negative Log Likelihood Probability,NLLP)指标。该指标利用了过程变量的概率密度分布函数，建立了同时包含变量期望和方差信息的监控指标。相比于传统的统计量，NLLP对于检测数据分布变化的灵敏度更高。　　(3)研究概率模型中的故障诊断问题，针对传统贡献图中存在的拖尾效应影响以及主观确定故障相关变量数的问题，提出了一种相对重构贡献图法。通过理论推导证明了重构贡献度的故障诊断性能优越性，同时将控制限加入到诊断方法中，从而克服了主观确定故障变量数时的局限性。　　(4)研究概率模型中的非线性问题，提出了一种Kernel FA方法以解决低维空间中的非线性问题。该方法通过将kernel技巧分别加入到线性EM算法中和统计量的构造中，从而获得非线性EM参数估计算法和非线性监控指标。Kernel技巧的核心在于将低维空间数据通过核映射到高维特征空间中，使得原本低维线性不可分的数据在高维空间中线性可分，从而实现在高维空间中的线性解决。　　对上述方法的可行性进行理论分析的同时，通过数值例子、田纳西-伊斯曼过程(Tennessee Eastman Process，TEP)仿真、青霉素发酵过程(Penicillin Fermentation Process，PFP)仿真验证了这些方法的监控性能。