随着现代科学技术的飞速发展，系统的规模和复杂程度迅速增加，若设备和系统发生故障不仅会给社会带来巨大的经济损失，甚至会造成人身伤亡和环境污染，因此对系统进行及时有效的故障诊断显得至关重要。基于解析模型的故障诊断方法在故障诊断研究中得到了很好的应用，然而其检测性能的好坏很大程度上依赖于机理模型的准确程度，实际中精确的机理模型往往很难建立。而基于数据驱动的故障诊断方法不需要建立精确的机理模型，只需对过程运行数据进行分析，因此越来越受到人们的关注。基于多元统计分析的故障诊断方法是基于数据驱动的故障诊断方法的一个重要分支，本文以多元统计分析理论为基础，开展了关于多元统计分析方法的研究，主要研究内容如下：(1)提出一种基于相对化变换的信息增量矩阵的故障诊断方法。该方法解决了因量纲不同导致系统中一些虽然表现为变量超过阈值的绝对值很小，但与其变量自身的取值相比相对值很大的故障不能被检出的问题，能更好更准确的检测出故障来源，同时能有效降低误报漏报率。(2)受全潜结构投影算法(T-PLS)对偏最小二乘算法(PLS)改进的启发，将YIN等人提出的方法进行改进，提出一种自回归全潜结构投影算法(AR-TPLS)，该方法避免了PLS和T-PLS方法中非线性迭代偏最小二乘复杂的求解过程，克服了YIN等人提出的改进的自回归PLS算法中过程残差仍包含不适合用Q统计量来监控的方差较大的变化问题，模型简单，计算量更小。(3)将相对主元分析(RPCA)思想引入T-PLS算法，解决了因数据量纲不同而带来的问题，并仿真研究了相关系数矩阵对质量变量故障检测行为能力的影响。在故障检测过程中，根据各变量的相关程度，找出对质量变量作用比较大的过程变量，并对其进行重点监控，对故障检测有着重要意义。