工业生产过程中,如何快速准确地检出故障对过程安全性、连续性具有重要意义。伴随生产过程的智能化、自动化及工业大数据的发展,大量工业过程中的传感器信号得以记录下来,基于数据驱动的故障检测方法开始成为主流。数据驱动模型根据建模方式又可分为机器学习模型、深度学习模型、统计分析模型等,生成对抗网络作为深度学习方法中的一种,通过博弈对抗思想进行无监督训练,所得模型可以很好地解决回归分类等问题。因此,本文采用生成对抗网络作为故障检测模型,从数据预处理、网络模型、统计量计算、检测特定类型故障等多个方面进行了研究与改进,主要研究内容如下:（1）针对传统基于生成对抗网络的故障检测方法中,生成器输入使用随机噪声,网络训练效果不佳的问题,提出一种采用编码输入的生成对抗网络故障检测策略。引入自编码器,将降维后的隐变量信息作为生成器输入;进一步考虑故障检测方法中基于生成器的统计量计算成本高和对离群点敏感的问题,根据自编码器提取隐变量提出一种新的统计量计算方法。通过田纳西伊斯曼过程及实际的磨煤机过程仿真,仿真结果表明所提方法可提升网络训练效果。（2）为了提高传统基于生成对抗网络的故障检测方法对于微小偏移、脉冲振荡类型故障的检测效果,提出一种考虑多块信息同时采用生成对抗网络的故障检测方法。该方法定义了累计信息及变化率信息提取方法,通过信息提取得到多个子块;随后对各子块分别利用生成对抗网络建立检测模型并通过贝叶斯融合得到新统计量。通过数值案例、田纳西伊斯曼及高炉炼铁过程的仿真实验,表明多块信息提取出了过程中的隐含信息,进而提高了方法对于微小偏移及脉冲振荡类型故障的报警率。（3）基于生成对抗网络的故障检测方法中,多数模型仅考虑单个样本的不同特征进行统计量计算而忽略了时序特性,因此提出一种基于样本间时序关联性和生成对抗网络的故障检测方法。该方法将长短期记忆网络引入生成对抗网络中的判别器模型,在计算待测样本统计量时考虑其余时刻样本以提取样本的时序特征;进一步采用样本与其降噪自编码器重构输出的差作为网络输入,减少样本中正常信息对引发故障异常信息的淹没,提升了对于微小偏移等不易检出故障的检测效果。通过数值案例、田纳西伊斯曼过程及高炉炼铁过程的仿真实验,验证了所提方法的可实现性及故障检测能力。