当今工业过程控制系统的功能不断趋于大型化和复杂化,一旦发生控制系统故障或者失效,将造成巨大的经济损失甚至是人身伤害。因此,为了保证系统能可靠高效的运行,除了对工业过程实施良好的控制以外,研究能对生产过程实时的监控,进行实时故障检测,通过故障分析确定故障源和故障类型的故障诊断系统显得格外重要。基于统计方法的故障诊断是当前故障诊断领域上的一个重要研究分支,最主要的特点是它不依赖于特定的数学模型,而是依赖于现场获得的过程采样数据。本为以田纳西--伊斯曼(TE)过程为研究平台,以TE过程中的各类型过程数据为仿真数据,研究了几种基于多元统计方法的故障诊断方法：(1)研究了基于主元分析(PCA)及核主元分析(KPCA)的故障诊断方法。(2)研究了基于独立分量分析(ICA)的诊断方法,并利用PCA的降维特性,结合PCA和ICA方法进行故障检测,并改进了一种新的故障识别方法--连续串匹配(CSM)方法,使PCA-ICA与CSM相结合进行在线故障类型匹配和识别。(3)介绍了规范变量分析(CVA)的相关理论,并提出了规范变量--独立主元分析(CV-ICA)方法。该方法将TE过程看为一个动态过程进行分析,通过CVA将原始数据空间划分为主部残部规范变量空间,并分别对规范变量空间进行ICA处理。仿真表明,经典的PCA方法在对大多数故障的检测方面都有良好特性,但部分故障的检测率很低,另外在故障识别上有一定局限性。而KPCA提高了不仅对某些故障的的检测率,在故障识别性能上较PCA有所提高,但对于某些特定故障未能有很好的检测效果。而PCA-ICA与CSM结合的方法较PCA、KPCA提高了故障检测率和故障识别特性,也提高了故障识别效率。对于新提出的CV-ICA方法较先前研究的方法提高对经典方法无法检测的特定故障的检测率,具有很好的故障检测效果。