随着中国制造2025和工业4.0的不断推进,流程工业呈现出产品种类多样化、系统规模扩大化以及生产任务复杂化的趋势,这对于过程控制系统的实时运行状态监测提出了更高的要求。过程监测技术在保障过程安全、确保产品质量、提高经济效益以及达到环境友好等方面发挥着重大作用,成为了复杂流程工业过程控制领域不可或缺的部分。与此同时,控制系统和传感技术的智能化,使得大量的过程数据可以被采集、传输以及存储,而这些数据中蕴含了丰富的过程信息。然而,实际的工业过程数据往往天然具有动态性、噪声污染、非线性等数据特性,如何处理这些复杂的数据特性并从中挖掘出有效信息从而指导流程工业的过程控制,是过程监测领域亟需解决的问题。本文围绕流程工业过程数据的动态特性,针对实际工业过程中不可避免的噪声问题、过程天然具有非线性等问题,提出了基于典型相关分析的动态过程建模与监测研究。本文的主要研究内容具体包括以下几个部分:(1)针对过程数据天然具有的动态性和实际情况下不可避免的噪声问题,提出了动态概率典型相关分析模型,对概率CCA进行了动态扩展,通过多视角建模方式构建过程数据间的动态联系。作为概率隐变量模型,可以对实际流程工业中普遍存在的过程噪声进行建模,且对于实际过程噪声的描述更具一般性。采用基于期望最大化算法的极大似然估计对模型进行求解,通过变换模型形式使得求解更加简便,并且提出了基于该模型的故障检测方案。(2)针对过程普遍具有的高阶动态特性以及概率模型在模型求解时面临的局部最优、模型过拟合等问题,提出了变分贝叶斯规范变量分析模型,对传统规范变量分析进行了概率解释以描述过程中存在的随机性,并将该概率隐变量模型进一步扩展至变分推断框架下,把模型参数作为随机变量进行求解,通过给定先验分布的方式避免过拟合、缓解局部最优的现象,并且采用数据增广的方式描述过程的高阶动态特性,给出相应的故障检测方案。除此之外,提出了一种基于故障相关性的故障识别方案,根据信息准则来衡量故障与过程变量之间的关联,通过将分类问题转化为回归问题,可以避免由于数据重构所带来的污染效应。(3)针对实际工业过程天然具有的非线性动态特性,基于核方法,提出了核动态典型相关分析模型。前述动态特性建模采用数据增广的方式,虽然能够对过程的高阶动态性进行有效提取,却让建模数据规模增大,导致核矩阵原本就庞大的存储开销和计算负荷激增。针对该问题,提出了一种改进型核矩阵近似方法,于传统Nystrom核矩阵近似的基础上嵌入满秩分解,在本质上降低了存储空间和计算复杂度,并且该改进型核矩阵近似方案对于核学习模型具有一定的普适性。除此之外,提出了基于上述核动态典型相关分析和改进型核矩阵近似方法的故障识别方案,采用核技巧用于计算非线性过程的故障相关性。