随着计算机技术在工业过程控制中的广泛应用,大量的过程数据被采集并存储下来,但是这些包含过程运行状态信息的数据并没有被有效地利用,以致出现了所谓的“数据丰富,信息匮乏”的现象。为了充分揭示过程数据中隐藏的系统本质信息,实现对生产过程和产品质量的有效控制,需要借助多变量统计分析技术对数据进行处理,从数据中提取出低维本质成分,并消除冗余信息及误差和噪声。本文以多变量统计过程控制为研究背景,从这些存储的数据中挖掘出过程运行的深层次信息,充分利用这些信息进行过程建模与监测。在过程建模方面,本文利用近几年发展起来的多变量统计分析技术——非负矩阵分解(NMF)以及最小二乘支持向量机(LSSVM)进行回归建模。首先,在利用非负矩阵分解进行过程信息挖掘的基础上建立了非负成分回归(NCR)模型。进一步,把NMF提取的非负成分送给最小二乘支持向量机建立NMF-LSSVM回归模型。这两个模型在对轧钢加热炉出炉钢温建模时表现出了良好的性能。在过程监测方面,本文提出了一种基于非负矩阵分解(NMF)与支持向量机(SVM)对系统性能进行监测的整体框架。主要包括两个方面：①通过NMF进行特征提取,对监测系统进行降维,得到主要特征的统计量。并利用核密度估计方法确定控制限,从而建立起在线监测模型；②利用SVM训练多故障分类器,当NMF在线监测模型检测到故障发生时,通过SVM故障分类器进行故障识别与诊断,确认是哪一类故障。通过对三容水箱系统的仿真实验,证实了该系统框架具有良好的监测性能,可以获得比较理想的故障诊断结果。非负矩阵分解作为一种新的多变量统计投影技术已被应用于模式识别等领域,本文首次将其引入过程建模及监测领域,并结合支持向量机提出了基于NMF-SVM的过程建模及监测方法,在仿真实验中取得了良好的效果,为多变量统计过程控制的研究提供了一种有益的尝试。