由于现代生产过程和设备逐渐呈现出大型化、复杂化等特点,使得故障发生的概率大大增加,不仅给生产的持续性和设备的安全性带来较大隐患,甚至会出现环境污染和人员伤亡等严重后果。因此,故障检测和诊断技术对保障生产过程和设备的稳定运行尤为重要。此外,随着集散控制系统和计算机技术的进步,过程数据也变得空前的丰富且容易获取。在此背景下,数据驱动方法获得了迅速地发展和应用,其中多元统计分析方法能够利用变量投影策略获取过程数据中的有用信息,并构建相应的统计指标实现故障的检测和诊断,已经受到国内外学者的广泛关注。虽然目前基于多元统计分析方法的故障检测和诊断备受关注,并取得大量的理论研究成果和工程应用实例,但是仍有很多问题亟待进一步解决。例如,如何更好的对大规模动态过程进行全流程的故障检测和诊断,如何提高诊断模型的可解释性,如何综合地利用样本信息,如何解决小样本和数据的多模态、非线性问题等。因此,本文在现有研究成果基础上,考虑过程数据的复杂特征并针对现有方法存在的不足,提出了一些改进的多元统计分析故障检测和诊断策略。全文的主要内容包括:1.针对集中式方法难以对大规模动态过程进行故障检测的问题,提出基于变量分块及贝叶斯推理的分布式故障检测模型。考虑到根据机理知识进行变量分块不易实现,首先利用最大相关最小冗余算法更准确地刻画过程变量间的关联性并去除变量间的冗余,为基模型提供最优的变量输入。其次,采用贝叶斯推理将所有子块中的检测结果融合为综合性决策指标,从而实现全流程的故障检测。在此基础上,提出基于子块贡献的故障诊断准则,直接将故障的诊断转化为定位对当前故障贡献最大的子块,有效缓解了数据维度过大的不利影响。最后,为了避免人为设定阈值导致部分变量被丢弃,根据最大相关最小冗余值的大小,对增广矩阵中所有变量赋予不同的权值,可以更全面地描述当前变量的动态特性,有助于提高模型的故障检测性能。2.针对费舍尔判别分析模型难以处理数据的多模态和非线性特性且模型的可解释性差的问题,提出稀疏（核）局部费舍尔判别分析方法。首先,通过在散度矩阵中引入局部加权因子来保持样本间的多模态性。其次,将弹性网算法引入到局部费舍尔判别分析模型中,从而可以自动辨识出相应的故障变量。再通过可行梯度方向法有效地求解当前的优化问题,并得到最优的判别方向。因此,过程数据的局部结构特征便从样本和变量2个维度得到了充分地挖掘,从而显著地提高故障的分类精度和模型的可解释性。此外,利用核技巧将所提的稀疏局部费舍尔判别分析模型扩展到非线性情形,即稀疏核局部费舍尔判别分析方法,从而能够处理过程数据的强非线性特性。3.针对单一的监督或者无监督方法很难综合利用标签和无标签样本信息,提出基于半监督学习的故障检测与诊断方法。首先,向主成分分析模型的目标函数中引入标签样本,提出了半监督主成分分析模型,从而可以同时利用标签和无标签样本中包含的有用信息,所提的方法也更加实用和鲁棒。其次,对监督模型局部费舍尔判别分析中的散度矩阵进行正则化处理,建立半监督局部费舍尔判别分析模型,从而能够学习标签数据中的判别信息又能保留整个数据集的全局结构,为故障分类模型提供更加全面的判别信息。此外,将矩阵指数策略引入到半监督局部费舍尔判别分析模型中,不仅增加了不同类别间的边缘距离,提高了模型的分类性能,而且还保障了类间散度矩阵的可逆性,较好地解决了小样本问题,从而扩展了方法的适用场景。上述方法为解决生产和设备运行过程中的故障检测和诊断问题提供了新的方案。利用6S35ME-B9型船舶柴油机运行数据,多种仿真数据（田纳西-伊斯曼过程和数值案例）进行仿真验证,并与已有的方法进行对比分析,实验结果表明了所提故障检测和诊断方法的有效性和实用性。