近年来，在现代化工业生产过程中，为了保证生产过程的安全运行并阻止大型故障的发生，过程监测与故障诊断正受到越来越多的关注。现代化的工业过程通常具有复杂且规模庞大的系统结构，对其直接实行过程监测并分析故障类型已然具有越来越大的挑战性。由于数据采集、数据处理和数据存储技术的不断发展，一些先进设备已然具备获取海量的数据的能力，并且可以通过收集到的数据揭示系统的运行状态，因此，可靠的基于数据驱动的过程监测方法对于保障系统正常运行就显得尤为重要。传统的多元统计过程监测方法(MSPM)，如主成分分析(PCA)，独立成分分析(ICA)等，已经在过程监测中得到广泛的应用和拓展。此类数据驱动方法主要是根据定义的目标，对高维数据进行降维投影，从而获取数据在低维空间的特征信息。不难发现，其中的降维转换矩阵包含了数据从高维空间到低维特征空间的相关关系的描述，对数据降维起着决定性的作用。为此，本文系统分析了降维转换矩阵所包含的信息，从降维转换矩阵的元素、向量、矩阵整体以及降维的实现方式出发，针对如何挑选敏感主元、如何监测大型复杂工业生产过程、如何监测动态生产过程、以及如何监测非线性噪声过程等问题，系统地提出了相应的过程监测方法。主要研究内容总结如下:　　(1)对应用最为广泛的多元统计过程监测算法（即主成分分析方法）的降维转换矩阵进行分析，发现降维矩阵（也称载荷矩阵）中的元素反映了相应变量对于主元的影响程度。为此，提出基于主成分分析的降维矩阵的数值特征，为每个变量分别选取敏感主元的策略。通过支持向量数据描述算法将各变量提取的信息进行整合，产生过程统计量用于过程的整体监测。构建的新模型对故障变量的异常变化反应更加灵敏，有助于及时、快速地检测出故障。该方法通过数值仿真模型和Tennessee Eastman(TE)过程仿真平台进行方法检验，显示出良好的监测性能。对主成分分析方法的研究具有十分广泛的意义，所提策略可进一步应用到独立成分分析、因子分析等方法中去，以解决更多实际问题。　　(2)进一步对主成分分析载荷矩阵中的载荷向量进行了分析，发现相似度较高的载荷向量对应的主元也会呈现相似的监测行为。为此，提出利用广义戴斯系数获取载荷向量间相似度，并对载荷向量进行分块处理的策略，从而实现子空间划分和分布监测的目的。与传统的分块对象（系统结构）相比，对载荷矩阵实现分块完全基于数据特征，不需要任何关于过程的先验知识。此外，与原始观测量相比，载荷矩阵不仅包含有过程信息，而且具有数据结构简单、数据维度较低等特点，因此它在处理大型复杂工业过程时更具有优势。另外，考虑到过程数据的非高斯性，将该策略拓展到了独立成分分析方法中，对其降维矩阵（即分层矩阵）进行分块处理，以处理大型复杂工业过程中的非高斯性数据。所提出的方法通过数值仿真模型和TE过程仿真平台进行检验，表现出良好的监测性能。　　(3)从整体上对主成分分析的降维转换矩阵进行分析，发现其包含了当前建模数据的变量间关系信息，具有一定的实时性，并间接地反映了当前时刻下系统的运行状态。为此，提出利用组合移动窗口收集实时数据，对动态过程进行实时主成分分析建模，并提取降维转换矩阵的变化信息用于构建统计量的策略。为了准确获取载荷矩阵变化信息，提出两种统计量构造方法，分别从数据特征和分布特征测量降维转换矩阵的变化信息，从而反映系统当前的运行状态，实现高效的过程监测。该方法通过连续搅拌釜反应器和TE过程进行性能检测，结果表明该方法对于动态过程具有较好的监测表现。　　(4)通过对降维转换矩阵获取方式的进一步研究分析，发现在概率框架下利用贝叶斯推论和变分不等式，可以对过程变量实现非线性降维，并且变量在特征低维空间的点估计也转变成为点的分布估计，从而考虑了噪声对模型的影响并增强了模型的鲁棒性。为此，提出基于贝叶斯高斯潜隐变量模型的过程监测与故障诊断策略，实现概率框架下的故障检测与诊断。将几种概率主成分分析模型进行性能分析和对比，旨在为将来进一步的概率主成分分析方法研究做铺垫。通过油流动过程、TE过程以及实际生活污水处理过程，对上述方法进行性能检测，证明所提方法具有更加稳定、高效的故障检测和诊断性能。