参数慢时变现象广泛存在于过程控制、故障诊断等领域,由于慢时变对象的广泛性、复杂性以及从慢时变对象获得信息的局限性,慢时变对象的辨识与在线校正问题已经成为研究的热点问题之一。因此,研究慢时变对象建模与在线校正问题具有重要的理论与实际意义。本文首先对时变系统建模算法和基于数据驱动的过程监测方法的研究现状进行了概述,并较为详细地介绍了偏最小二乘(PLS)建模方法与主元分析(PCA)监测理论。进而本文针对慢时变对象的模型监测问题展开研究,依据慢时变对象的模型特性,选取模型实际输出与预测输出的偏差以及偏差的变化做为PCA的监测变量；并通过大量仿真实验提出了基于T2统计量变化信息的模型监测判别方法。通过仿真实验,验证了对于一般非线性慢时变对象,该监测算法能够在对象的模型误差超限之前监测到模型异常,从而为准确有效地对模型进行校正提供有利的条件。针对常规校正方法的滞后问题,基于对慢时变对象的模型监测的结果,在模型的误差达到阈值之前对模型进行校正,从而提高了校正精度。同时,为进一步减少校正时间,通过提取相邻两次PLS建模之间的信息,提出了针对慢时变对象的校正向量和PLS校正相结合的模型校正方法。该方法利用矩阵相乘代替了PLS建模,不仅减少了模型校正次数,并在保证校正精度的前提下,减少了校正时间。通过仿真实验,验证了本文提出的基于监测的校正向量与PLS相结合的模型校正方法对于一般非线性慢时变对象的有效性。