多元统计过程监控方法是基于数据驱动故障诊断方法的一个重要分支,已经成功应用于化工过程的故障检测中并取得了良好的效果。现有的基于多元统计过程监控方法的故障诊断成果大都针对的是永久故障而非间歇故障,间歇故障是实际工业过程中的一种特殊故障,具有随机性、间歇性和反复性的特点。间歇故障具有累积效应,故障持续时间和发生频率会逐渐增加,最终可能演变为严重的永久故障。本文针对间歇故障难以检测这一问题,研究基于多元统计过程监控的间歇故障检测方法,并结合间歇故障的特性提出了改进方法。本文主要工作可以分为以下三个部分:1.将传统的多元统计过程监控方法如主元分析（Principal Component Analysis,PCA）、动态主元分析（Dynamic PCA,DPCA）和规范变量分析（Canonical Variate Analysis,CVA）应用于间歇故障检测,并进行了对比和分析。结合三种方法对田纳西伊斯曼（Tennessee Eastman,TE）过程的间歇故障仿真结果和间歇故障的特点,分析了间歇故障在发生和消失两个时刻检测的难点。2.考虑到间歇故障发生初期,故障幅值和能量都较小,并且由于工业过程具有动态特性,产生的数据往往存在时序相关性,因此,本文研究了基于滑动窗口规范变量分析（Moving window CVA,MWCVA）的间歇故障检测方法。该方法构造了一个滑动窗口,在每个窗口中监控状态子空间和残差子空间的平均数据,使其对故障更敏感。结合一个数值例子和TE过程的间歇故障仿真结果验证了本章所提方法的有效性。3.针对间歇故障的消失给系统带来的非稳态过程,以及传统的多元统计过程监控方法难以挖掘数据的低维流形信息等问题,研究了基于两步潜隐变量统计量分析（Two-step latent variable satistical analysis,TS-LVSA）的间歇故障检测方法。该方法首先利用两步法得到与时序无关并且独立于初始状态的新息成分,然后对其进行局部保留投影分析（Locality Preserving Projections,LPP）,挖掘新息成分的低维流形结构,最后引入一个滑动窗口,监控潜隐变量的统计量。数值例子和TE过程的仿真结果表明本章所提方法检测间歇故障的性能最佳。