现代工业过程日益复杂,一旦发生安全问题,将造成难以估量的损失,如何快速有效地监测工业过程的运行状态,以保证生产过程的安全可靠运行,一直是工业界和学术界的研究热点之一。随着分布式控制系统和工业互联网的发展,海量的过程数据得到采集和应用,因此基于数据驱动的过程监测技术具有极大的工业应用价值和研究意义。然而目前基于数据驱动的过程监测研究中面临着数据量大、有价值信息稀疏、类别不平衡、有标记信息短缺、甚至无标记等工业问题,传统数据驱动的过程监测方法特征提取比较困难。深度自编码网络是深度学习领域中重要的网络模型,由于其出色的自监督学习特性和强大的特征学习能力而被广泛应用于过程监测领域,本文针对以上问题结合深度自编码网络展开过程监测方法的研究,主要研究内容如下:（1）针对深度自编码网络在故障检测中的单分类特征学习问题,以深度自编码网络为基础,从稀疏自编码原理出发,结合k近邻算法,提出基于深度稀疏自编码网络和k近邻的故障检测方法。首先使用深度稀疏自编码网络建立单分类的故障检测模型,通过稀疏项约束高维特征重构原始输入,提升深度自编码网络的单分类特征学习能力;其次基于深度稀疏自编码网络的非线性映射,将原始空间划分为特征空间和残差空间,使用k近邻准则在两个空间分别构建统计量,实现故障的在线检测。（2）针对深度自编码网络在故障分类中未知类型故障样本参与自监督学习训练模糊分类特征边界的问题,以深度自编码网络为基础,从重构误差的原理出发,结合核密度估计方法,提出基于重构误差样本筛选的堆栈自编码网络故障分类方法。通过少量有标签样本训练堆栈自编码网络,计算已知类型故障样本的划分阈值并筛选出参与故障分类模型训练的无标签样本,减少了未知类型无标签样本参与堆栈自编码网络训练带来的特征信息干扰,分析结果表明该方法能够充分利用无标签样本中的已知类型故障样本信息,所提取的故障特征可分性更强,分类结果更稳定。（3）针对深度自编码网络在故障分类中特征学习方向缺乏标签信息修正,致使无法提取到有效的分类特征问题,以深度自编码网络为基础,从特征学习方向修正的角度,结合费舍尔判别准则,提出基于费舍尔判别准则优化的堆栈自编码网络故障分类。将费舍尔判别准则中寻找最佳投影方向的特征学习方法运用到深度自编码网络的训练中,利用标签样本信息在深度自编码网络的逐层非线性映射中学习最佳的投影方向;同时在费舍尔判别准则改进的损失函数约束下训练,增加不同类别故障特征的类间距离,减小同类别特征的类内距离。由于在堆栈自编码网络的训练中,同时考虑最小化重构特征和最大化分类特征,使得训练后的堆栈自编码网络能够提取到更有效的分类特征信息。