为了确保生产过程中的产品质量和安全性,复杂工业过程监测和故障诊断已成为过程控制领域的研究热点。由于基于数据驱动的方法研究不需过程的精确解析模型,所需的先验知识也较少,只需根据过程数据分别对正常工况和故障工况建立对应的模型即可,因此相比于基于解析模型和基于知识的方法,此方法更适用于现代复杂工业过程中的故障诊断。目前针对单一数据特性的故障诊断研究比较多,比如非线性过程、非高斯过程和动态过程等,但是针对多种数据特性并存的研究比较少,特别如非高斯非线性过程等。由于大多数的复杂工业过程往往都具有非线性和非高斯特性,故对非线性非高斯复杂过程的故障检测与诊断问题进行研究具有非常重要的理论和工程意义。本文针对实际工业过程存在的该类问题开展故障诊断研究,并结合最新研究成果,研究并提出了若干方法。传统的基于主成分分析(PCA)的故障诊断需假设过程变量满足高斯分布,且只能用于线性处理。而实际复杂工业过程数据往往具有强非线性和非高斯性特征。虽然独立成分分析(ICA)能针对非高斯分布的数据进行故障诊断,但是处理复杂的非线性过程的效果较差。因此,引入核技术,采用核独立成分分析(KICA)进行故障诊断已成为处理该类问题的有效方法。将此方法应用于故障诊断实验,验证了KICA方法较KPCA和ICA方法检测效果更好,更适合处理实际复杂工业过程的非线性、非高斯等特点的数据。针对复杂工业过程数据通常具有的强非线性和非高斯特性,为进一步提高检测效果,结合支持向量数据描述(SVDD)对数据分布没有要求的特点,提出了一种将核独立成分分析算法和支持向量数据描述算法相结合的复杂系统故障检测方法。该方法首先运用KICA方法对过程数据进行独立成分提取,然后通过引入SVDD对主导独立成分进行建模,并计算相应的统计量及控制限对非线性非高斯系统下的故障进行检测。在TE过程上进行仿真实验分析,并与KICA和SVDD方法比较,结果表明所提出的方法降低了故障错分率和漏检率,验证了其可行性和有效性。针对KICA方法虽能对非线性非高斯过程数据有很好的处理能力,但是却不能有效地进行故障分类的问题,提出了一种将堆叠稀疏自动编码器(SSAE)与KICA方法结合的复杂系统故障分类方法。首先利用KICA提取数据的主导独立成分,然后通过SSAE和softmax分类器所构成的完整SSAE分类算法建立模型,该模型采用非监督逐层贪婪训练算法初始化网络权重,并使用有限内存拟牛顿(L-BFGS)算法进行反向微调各参数,最后将过程数据输入到该训练好的模型,实现故障分类。实际过程的实验结果表明,KICA-SSAE算法的故障平均分类精度较高,表现出良好的分类效果。