随着时代的进步、科技的发展,现代工业过程日益大型化和复杂化,故障诊断技术成为保证产品质量、降低生产成本以及提高生产效益不可缺少的技术。计算机控制系统和数字存储技术在工业过程中的广泛应用,记录了大量的工业生产数据。因此,多元统计过程监控方法引起了研究学者的广泛关注。本文针对非线性工业过程微小故障难以检测这一问题,研究基于统计局部核主元分析（statistical local kernel principal analysis,SLKPCA）的微小故障检测方法,并结合过程数据的特性提出了一系列改进方法,本文主要有以下几部分内容:首先,传统SLKPCA方法在构造改进残差时未考虑样本差异性,使得故障样本信息易于被其它样本所掩盖,针对该问题,研究基于样本加权统计局部核主元分析（sample weighted SLKPCA,SW-SLKPCA）的微小故障检测方法。该方法基于测试样本和正常样本欧式距离的差异设计了一种样本加权策略,对含有较强微小故障信息的样本赋予较大权值,以增强故障样本的影响。在非线性数值例子和田纳西伊斯曼（Tennessee Eastman,TE）过程的仿真结果表明,该方法对微小故障的监控性能要优于传统KPCA和SLKPCA方法。进一步,考虑到SW-SLKPCA方法在构造监控统计量时,所有的成分被同等对待,这样将不利于挖掘成分中的故障特征,为此,本文研究基于二维加权统计局部核主元分析（two-dimensional weighted SLKPCA,TW-SLKPCA）的微小故障检测方法。该方法在样本加权策略的基础上,给出了一种敏感成分和非敏感成分划分的策略并针对敏感成分设计了一种成分加权策略。以数值例子和TE过程为仿真对象验证本文方法的有效性,仿真结果表明,本文方法在微小故障检测方面具有比传统KPCA和SLKPCA方法更好的监控性能。其次,针对传统SLKPCA故障检测方法的整体建模策略难以挖掘局部变量中的微小故障信息问题,研究基于多块统计局部核主元分析（multi-block SLKPCA,MSLKPCA）的微小故障检测方法。该方法首先利用KPCA得到核成分,然后给出了一种基于变量与核成分之间互信息相关度相似性的变量分块策略,并对每块变量建立SLKPCA子模型,最后采用贝叶斯融合策略整合子模型的监控结果。在连续搅拌反应釜和TE过程上的仿真结果表明,本文方法相较于KPCA和SLKPCA方法检测微小故障的性能最佳。最后,针对传统SLKPCA在统计建模时仅利用了正常数据而忽略了已知先验故障信息使得对微小故障监控性能较差的问题,研究基于先验故障信息的主辅统计局部核主元分析（primary assisted SLKPCA,PA-SLKPCA）微小故障检测方法。该方法首先利用已知先验故障和Kullback-leibler散度对变量进行分组;分组完成后,在每一变量组建立辅助SLKPCA模型,对含有全部变量的正常数据建立主监控SLKPCA模型;最后采用贝叶斯融合策略整合变量组的监控结果,采用加权融合策略整合主监控模型和辅助监控模型的结果。通过对CSTR控制系统和TE过程的数据进行仿真,结果表明本文方法与KPCA和SLKPCA相比,检测微小故障更及时。