过程监测技术在过程控制系统中起着重要的作用,在保障复杂工业过程的安全性和可靠性方面具有重要的意义。随着集散控制系统的应用,在工业过程中海量的过程数据可以被采集存储,基于数据的过程监测方法在工业界和学术界得到了广泛的关注。本文分析了基于数据的过程监测方法的研究现状,描述了两种比较常见的过程监测问题。首先针对目前过程监测方法中监督学习方法的不足,即标记工作量大导致标记数据较少,展开基于半监督学习的过程监测方法研究;针对工业过程中知识经验和过程数据相对较少,监督、无监督学习等方法难以直接建模的问题,利用其相似生产过程的信息,提出了基于迁移学习的过程监测方法。本文的主要研究内容包括:（1）在基于半监督学习的过程监测方法研究中,选用泛化能力强、结合流形学习思想的半监督流形正则化方法,为了解决实际问题对其进行了多分类扩展。考虑到工业数据中存在的属性噪声会破坏数据原有分布,在半监督流形正则化中引入了超图的思想,目的是完整准确地描述数据中的属性信息,构建流形正则项保持属性信息结构,减弱属性噪声的影响。对于TE仿真过程数据和磨矿分级过程数据的监测仿真验证了方法的有效性和可行性。（2）对于生产经验和历史过程数据不足的工业过程,标记和未标记数据都比较少,直接使用监督、无监督或半监督学习方法建立模型难度较大。本文引入迁移学习的思想,选用迁移学习中同时减小辅助领域和目标领域的边缘分布、条件分布差异的联合分布适配正则化方法。该方法通过类条件分布的适配来实现条件分布的适配,流形正则项用于挖掘几何信息。几何信息代表边缘分布信息,而条件分布信息需要判别信息来表示。本文针对联合分布适配正则化方法在条件分布适配方面的不足,在其基础上进一步挖掘两个领域的判别信息。通过构造类内图和类间图来同时反映了两个领域的几何信息和判别信息,减小两个领域边缘分布和条件分布差异,总体提升学习性能。对数据集的实验验证了方法的学习性能。