随着全球经济的快速发展以及社会需求的不断提高，工业生产过程正朝着智能化、集群化和复杂化的方向发展。与此同时，工业系统的故障也随之变得更加的难以检测，如何对复杂工业生产过程进行有效的故障检测，成为了工业界以及学术界关注的重点问题。由于基于多元统计的故障检测方法具有不需要对控制系统进行精确建模的优点得到了越来越多的关注和研究。但传统的基于多元统计的故障检测方法不能很好的处理过程数据不等长、非高斯以及存在过渡阶段等问题，而且基于多元统计的过程数据聚类方法没有充分地考虑到间歇过程的时序信息，这会导致数据断续问题的发生，进而会影响最终的检测效果。　　本文重点研究间歇生产过程的故障检测问题。针对传统间歇过程故障检测中数据阶段划分时的断续问题，本文分别提出了模糊有序聚类算法(FOCA)和基于Markov链的谱聚类方法(MCSC)，使得间歇过程的时序信息在聚类过程中得到有效的利用。这两种聚类算法都可以对过程的时序信息加以有效利用，避免了阶段划分时数据断续问题的发生，同时，由于所提出的阶段划分方法是针对每个批次单独进行，因此不会受到多批次数据不等长问题的影响。针对间歇过程存在过渡阶段问题，本文提出一种新的过渡阶段划分方法，根据每个类别内误差和的变化以及阶段内样本数据与样本均值之间的相似性划分出过渡阶段和稳定阶段。针对传统GMM算法没有考虑过程时序信息的缺点以及过程数据的非高斯的性，本论文将基于Markov链的谱聚类方法与GMM算法相结合，提出了基于MCSC和GMM算法的故障检测方法。通过对青霉素生产过程的故障检测试验证明，本文所提方法具有较好的检测效果。