随着经济全球化发展，现代工业生产过程日益结构复杂化、规模巨大化，为了避免大型事故发生、保障生产安全，同时提升产品质量、保护环境资源，综合自动化技术中的过程监测技术被广泛应用与研究。由于企业规模扩张、工艺流程的高度耦合，过程的机理模型难以获得，且相关经验知识累积时间成本高;与此同时，集散控制系统与智能测量仪器的使用，以及计算机技术的高速发展，使得工业过程每天都能采集到越来越丰富的数据，这些数据中蕴含了大量与过程运行状态相关的关键信息。因此基于数据驱动的过程监测技术成为了信息时代学术研究及工业应用的热点。　　在过去的二十多年，针对实际工业过程的不同监控需求，产生了大量多元统计分析过程监测领域的成果。然而，传统多元统计分析过程监测理论往往基于过程数据的部分理想假设。而在实际工业生产中，在各种复杂因素的影响下，过程可能存在多种稳定的运行工况，使得过去的单一模型建模方法难以适用于此类过程监测问题。此外，过程动态性、离群点等问题的存在也对过程监测提出了新要求。本文着眼于工业过程测量数据的复杂特性，提出了以下对多工况动态过程概率建模与故障检测的新方法与新思路:　　(1)针对多工况过程包含动态性、随机性问题，建立了切换的自回归动态隐变量模型。使用切换的思想解决过程存在多工况问题，通过高斯分布描述过程不确定性，并通过自回归模型提取过程高阶动态性（即自相关性），利用低维空间隐变量模型获取过程变量静态关系（即互相关性）。考虑到工业过程中出现的故障对过程影响程度不同，相应的需要操作员和工程师做出的过程恢复手段也不同。本文将用分层的故障检测方法对故障进行分级处理，结合闽值分析与监测统计量分析进行过程的故障检测。　　(2)针对多工况动态过程中测量数据存在离群点的问题，基于相似度分析，减小多变量离群点建模时的贡献度，而不是简单地剔除离群点，以避免过程信息的缺失，建立了一种加权切换自回归动态隐变量模型，并推导出改进后的模型用EM算法求解参数的详细步骤。最后，提出了基于加权切换自回归动态隐变量模型的故障检测方法，解决训练集中存在大量离群点的问题。