快速、准确的实时监测是保证工业过程正常、安全运行的关键。主元分析(PCA)是多元统计过程监测中最有代表性的方法之一。然而,标准的主元分析假设过程是线性的、平稳的,在应用中存在很多局限性。本文在前人研究工作的基础上,针对标准PCA的局限性做了如下改进工作:核主元分析(KPCA)在PCA的基础上融入了 kernel技术,使得PCA可以处理非线性的数据。然而,KPCA没有考虑实际过程中的非平稳特性。为此,本文在KPCA的基础上引入了动态潜变量模型(DLV),提出了一种核动态潜变量模型(KDLV)。该方法通过核函数将数据投影到高维空间,再由DLV提取数据在高维空间的动态、静态特征。基于数值算例和TE过程的仿真研究表明,当过程同时存在动态性和非线性时,KDLV的故障检测率要高于KPCA和DLV。PCA只考虑了系统的全局方差信息,忽略了数据中的局部结构信息。全局-局部结构分析(GLSA)结合数据的全局方差信息和局部结构信息进行降维,具有比PCA更好的故障检测效果。然而,该方法存在对噪声建模的问题且没有考虑工业过程数据的时序自相关性。本文提出了一种基于数据重构空间的全局-局部结构分析方法(GLSA-RS)。该方法先用主元进行数据重构,再对重构的数据进行GLSA,由此既保留了 GLSA的优点又避免了对噪声建模。在此基础上,本文借鉴了 DPCA的原理,用增广矩阵作为建模数据,得到了动态GLSA-RS方法(DGLSA-RS)。在仿真中,我们首先通过算例证明了 GLSA存在对噪声建模的可能性,而GLSA-RS在过程数据存在噪声或冗余的情况下具有更高的故障检测率。接下来,我们又通过TE模型仿真,证明了当过程非平稳时,DGLSA-RS的故障检测率要高于GLSA-RS、DPCA及其它三种方法。