随着工业自动化技术的不断进步,化工系统日趋复杂化所导致故障事故的发生频率也越来越高,如何保证系统安全稳定的运行成为一个亟待解决的问题。而凭借仪表设备能够采集海量过程数据的特性,基于数据驱动的故障诊断方法成为实现系统安全稳定运行的最为有效的方法之一。数据驱动方法摆脱了传统模型对经验理论的依赖,通过建立数据模型对原始数据样本进行分析,能够对系统运行状态的评估产生重要的指导作用。因此,本文针对化工过程故障诊断这一关键问题,利用自组织网络和特征提取算法进行故障诊断模型的研究。本文具体工作如下:首先,针对化工过程数据存在非线性、高维度的特性进而导致故障诊断模型分类识别精度不高的问题,提出基于欧式距离改进的核Fisher判别分析的方法（Euclidean Kernel Fisher Discrimination Analysis,EKFDA）,然后利用EKFDA对原始故障数据进行特征提取,实现数据的类间距最大化,类内距最小化。然后针对自组织网络（Self-organizing Map,SOM）存在局部最优的问题,提出差分进化算法（Differential Evolution,DE）对自组织网络权值进行优化,构建DESOM诊断模型,有效改善自组织网络分类器的分类性能。为了验证该算法的有效性,采用TE过程通用数据集进行测试,实验数据结果表明,基于该EKFDA-DESOM分类模型对于故障的诊断与识别具有较高的准确度。接着,提出统计模式分析（Statistics Pattern Analysis,SPA）对数据的高阶信息进行挖掘,构建SPA-EKFDA特征提取模型。首先对原始数据样本进行高阶统计量的映射,将映射后的空间样本矩阵作为EKFDA算法的输入进行特征提取。然后利用DESOM故障诊断识别分类器对数据进行训练,解决化工过程数据中高阶统计信息不可用的缺陷。实验结果表明,基于SPA-EKFDA-DESOM诊断模型具有较高的准确度。最后,将本文提出的SPA-EKFDA-DESOM模型应用在PX仿真工艺中。首先通过设置故障采集仿真数据,然后利用多种故障诊断方法对该过程进行识别分类,观察准确性。实验结果表明,本文构建的SPA-EKFDA-DESOM诊断模型相较于SOM、PCA-SOM等其他诊断模型能够更有效的识别PX歧化过程中的故障。