随着现今工业过程日趋大型化和复杂化,过程监控技术在保证生产安全和产品质量方面发挥了越来越重要的作用。由于集散控制系统(Distributed Control System,DCS)的广泛应用,丰富的过程数据被存储下来,使得多元统计过程监控(Multivariate Statistical Process Monitoring,MSPM)方法成为当前过程监控的研究热点。然而,现代工业过程的复杂化使得传统MSPM方法难以取得理想的监控性能。针对复杂工业过程的大规模、非线性、非高斯、多模态等特性,本文研究基于局部信息挖掘的改进MSPM方法,以满足实际监控需求。针对大规模过程监控问题,首先提出一种基于变量子域的多块PCA方法。该方法基于互信息划分变量块并在原始PCA模型上分离出局部统计量。为提取更充分的局部信息,进一步提出一种基于变量权重信息的多块PCA方法。该方法依据各成分中变量的权重信息分别划分成分块和与之对应的低权值变量块,能更有效地体现局部变量信息。数值例子、连续搅拌反应釜(Continuous stirred tank reactor,CSTR)系统和田纳西伊斯曼(Tennessee Eastman,TE)过程的仿真结果表明,该两种方法具有比传统PCA更好的监控性能。综合考虑工业过程的非线性、非高斯性及故障信息挖掘问题,提出一种基于双加权LOF(Local outlier factor)的KPCA故障检测方法。为避免高斯数据分布的假设,引入LOF方法构造统计量分别监控KPCA模型中的主成分空间和残差成分空间。进一步,为突出故障信息,设计一种双加权策略分别对故障核成分和历史统计量进行加权。数值例子和TE过程的仿真结果表明,该方法能够比传统KPCA更有效地检出故障。针对线性非线性混合系统的监控问题,提出一种基于局部变量特征分析的混合建模及故障检测方法。首先定义线性和非线性评价因子以衡量过程变量间的相关性。然后基于该评价因子将整体变量划分为多个线性和非线性变量块,建立相应的PCA和KPCA子模型,应用贝叶斯推理建立混合模型。数值例子和TE过程的仿真结果验证了方法的有效性,说明该建模策略能够充分挖掘过程中的线性和非线性信息,弥补单一PCA或KPCA建模的不足。针对多模态过程监控问题,提出一种基于两层局部信息LOF算法的过程监控方法。首先,采用局部邻域标准化(local neighborhood standardization,LNS)策略挖掘局部数据均值方差信息来处理多模态特性。然后,提出一种变量局部离群因子(variable LOF,VLOF)方法提取局部变量信息,并通过加权策略和贝叶斯推理加以突出。数值例子和TE过程的仿真结果验证了该方法在多模态过程监控的有效性。