间歇过程在现代工业生产中所占地位越来越重。为保证间歇过程安全稳定运行和产品质量的达标，对间歇过程进行实时的在线监控具有重要意义。随着在线测量仪器和计算机技术的发展，越来越多的间歇生产过程数据和产品质量数据被存储到计算机中，这些数据隐含着大量信息，通过对数据分析，剔除冗余信息，挖掘有用资源可诊断过程运行状况，并指导生产实践。应用于过程监控中的故障诊断技术是近年来自动控制领域中的一个重要研究方向。针对间歇过程中操作批次之间存在的时变特性，研究了一种随批次变化的动态算法—自适应多向主成分分析（Adaptive MPCA）方法，该方法利用正常数据先建立初始MPCA模型，并检测新批次数据，如果新批次数据从始至终没有异常行为，则在原始数据集中加入新的正常批次并剔除最早批次，若检测到新的批次有故障发生则模型不变，继续监测下一批次的运行状况。在盘尼西林发酵过程上的仿真结果表明，自适应MPCA方法能建立比较准确的统计模型，能减少对正常批次检测时的误报。为了保留早期历史信息，对Adaptive MPCA方法进行了改进。改进的方法在建立新的MPCA模型时引入遗忘因子逐渐遗忘历史信息，以提高模型对新过程特性的适应能力。在盘尼西林发酵过程上的仿真结果表明，带遗忘因子的自适应MPCA方法能逐步加入新的正常批次数据的变化信息，建立更准确的统计模型，能更加有效地减少对正常批次检测时的误报。实际工业系统获得的数据是很复杂的，既包含高斯信号也包括非高斯信号，单独采用PCA或者ICA方法无法完全处理系统所获取的数据，基于这种情况结合以上两种方法的优缺点给出一种多向独立主成分分析（MIPCA）方法用于解决上述问题。该算法的基本原理是将正常批次数据预处理后，采用负熵最大化原理对数据进行分类，将数据中的非高斯信号和高斯信号分别采用MICA和MPCA方法进行建模，对需要检测的数据按照上面方法分类，运用I~2统计、SPE统计、T~2统计和Q统计的方法对正常数据进行检测，如果检测结果正常则没有发生故障，如果检测结果超过控制限，利用贡献图的方法对故障进行诊断。在盘尼西林发酵过程上的仿真结果表明，对典型的3种故障进行检测，其结果表明了MIPCA方法的灵敏度和准确性都有提高。