间歇过程作为现代制造业重要的生产方式之一,广泛应用于事关国计民生的冶金、钢铁、制药、化工等传统工业领域以及半导体制造等新兴领域,然而,一旦生产过程发生故障,将对国家和社会造成巨大损失,因此,如何准确高效的监控间歇过程生产状态,保证生产过程的安全可靠运行已成为人们关注的焦点。近年来,随着计算机技术和传感器技术的发展,间歇过程在生产中积累了丰富的反映过程运行状态和产品质量的数据,这也促使基于数据驱动的多元统计监控方法得到迅速地发展。基于多元统计的监控方法在应用到间歇过程监控时,往往都会假设过程处于理想化状态,即过程数据服从高斯分布、过程变量满足线性关系、工况单一、不受噪声等离群点的影响,然而,实际的工业过程并不满足这些假设,且由于间歇过程的批次生产等复杂特性,使得如何建立间歇过程监控模型,实现间歇过程故障及时准确地检测变得极具挑战性。本文基于邻域保持嵌入算法,针对由于间歇过程存在的非线性、动态性、噪声等离群点干扰而造成的过程监控效果不佳的问题,提出相应的改进算法,以实现更加良好的监控效果。主要研究内容如下:（1）针对间歇过程变量间存在的独立相关关系,提出一种基于变量分块的核动态潜变量-动态加权支持向量数据描述（Kernel dynamic latent variable-dynamic weighted support vector data description,KDLV-DWSVDD）的间歇过程监控方法。首先,互信息的引入可以有效评估过程变量间的相关独立关系,将过程变量划分为相关变量子块和独立变量子块;其次,在相关变量子块中,KDLV算法可以有效处理过程的非线性影响,提取动态信息;在独立变量子块中,DWSVDD算法可以有效提取独立变量的动态信息,同时通过加权凸显故障信息。最后,分别在相关变量子块和独立变量子块中建立统计模型,进行过程监控,通过青霉素发酵过程和半导体蚀刻过程进行仿真验证,验证了所提算法的可行性和有效性。（2）针对间歇过程变量间存在的动态静态关系,提出一种基于全局慢特征分析-全局邻域保持嵌入（Global slow feature analysis-global neighborhood preserving embedding,GSFA-GNPE）的动态-静态联合指标间歇过程监控方法。首先对过程变量的动态性和静态性进行评估,将过程变量划分为动态变量和静态变量两部分;其次,在动态变量中,GSFA可以有效提取过程的全局局部动态信息,在静态变量中,GNPE可以有效提取过程的全局局部静态信息;最后,分别在动态变量和静态变量两部分建立统计模型,求得统计量,将两个部分求得的统计量利用贝叶斯推断进行组合,从而得出混合模型的联合指标实现过程监控。数值例子和青霉素发酵仿真过程验证了所提算法的可行性和有效性。（3）针对间歇过程监控时三维数据展开造成的信息丢失和噪声等离群点对过程监控的影响,提取一种基于张量分解的马尔科夫链局部稀疏保持图嵌入（Markov chain neighborhood sparse preserving graph embedding based on tensor factorization,TMNSPGE）的间歇过程监控方法。首先,对三维数据进行张量分解,避免因数据展开而造成的信息丢失;其次,在构造近邻图时,考虑过程数据的局部几何结构和稀疏关系,同时引入马尔科夫链理论,可使得降维后的数据有一定的概率解释;最后,对整个过程建立统计模型进行过程监控。数值例子和青霉素发酵仿真过程验证了所提算法的可行性和有效性。