现代流程工业生产过程中，间歇过程由于其生产方式具有灵活性，已经被广泛应用于医药、食品、染料、香料及生化制品等小批量、高附加值产品的生产和制备当中。近些年来，由于现代社会对多规格、多品种和高质量产品的急切需求，工业生产更是越来越倚重小批量、高附加值的间歇过程生产。与此同时，为了提高间歇生产过程与生产控制系统的可安全性和维护性，并同时提高产品质量，迫切地需要建立过程监测系统以对生产过程进行故障监测。本课题从历史数据出发，建立以主成分分析(PCA)为核心的数据驱动的过程监测模型，并在深入研究间歇过程多阶段和动态特性的基础上，从解决实际问题的角度出发，做了以下研究：(1)研究一种基于改进AP聚类的阶段划分方法针对间歇过程的多阶段特性，采用AP聚类算法，此算法在进行过程阶段划分时无需过程的先验知识，通过将Silhouette准则引入到AP聚类的迭代过程中，从而达到精确阶段划分的效果。在每个子阶段内建立监测模型更符合实际操作进程或过程的机理特性，同时阶段划分可以达到局部线性化的效果。(2)提出一种多变量自回归主元分析(MAR-PCA)算法间歇生产过程，由于系统本身时滞特性、闭环控制和扰动的存在，大多数过程变量都会表现出动态特性，即变量在不同时刻的采样之间时序相关，此时若依然采用传统PCA，那么得到的主元得分会存在时序自相关，甚至各主元间互相关，进一步造成故障的误报率增加。为了消除动态性的影响，提出一种多变量自回归(MAR)主元分析算法，通过对间歇过程生产数据建立MAR模型之后，将MAR模型残差作为PCA的输入，建立监测模型。通过数值实例的Monte Carlo实验来验证该方法的有效性。(3)研究一种多阶段MAR-PCA监测方法针对实际间歇过程监测过程中往往需要综合考虑的多阶段性和动态特性，研究一种多阶段MAR-PCA监测方法，同时解决过程多阶段和动态特性的监测方案。该方法先基于改进AP聚类对间歇过程进行阶段划分，在划分好的每个阶段内建立MAR-PCA模型以消除过程的动态性。此外，基于多阶段MAR-PCA模型对间歇过程进行在线监测时，为了克服基于MAR-PCA方法对阶跃故障不敏感的不足，在应用多阶段MAR-PCA对间歇过程进行监测时，引入历史训练数据，在线计算新批次数据MAR模型残差。通过青霉素仿真平台实验验证了本文所提的多阶段MAR-PCA方法的有效性。(4)大肠杆菌发酵过程在线监测研究将本文所提出方法在北京某制药厂进行了实际实验研究，对重组大肠杆菌制备白介素-2发酵过程进行在线监测，通过开发GUI在线监测软件进行现场监测实验。监测结果表明，本文所提的方法监测具有多阶段及动态特性的间歇过程时，在明显降低监测正常批次时的误报警率的同时，在监测故障批次时能及时提示操作人员故障的发生。