故障诊断与质量监测是保障工业生产过程安全性与产品高质量的重要技术支撑。与传统依赖数学模型或专家经验的故障诊断方法相比,数据驱动的多变量统计过程监测技术因仅需要正常运行情况下的离线和在线数据、以较成熟的多元统计分析方法为主要手段、适合工业过程多变量高度相关的特点等,而越来越受到工程界和学术界的重视,并已逐渐成为故障诊断领域的重大需求和研究热点。尽管人们将多元统计分析方法用于故障诊断领域已有很长时间,但是大量工作都是围绕怎么突破限制条件,改进现有方法以更好地适应实际过程；而对于一些本质问题,如不同过程变量的重要性和检测敏感性不同、主元分析(PCA)子空间分解对故障诊断结果的影响、以及偏最小二乘(PLS)子空间分解的有效性等方面仍未得到彻底研究。本文在前人工作的基础上,深入研究了多变量统计过程监测技术的几个根本问题,并针对不同的应用实际,提出多种有效的故障检测、诊断与质量监测方法：1.基于过程变量对质量变量的贡献度、过程变量对T2／Q检测指标以及PCA统计模型的影响能力,对过程变量进行细分,并给出一种设计相对主元分析(RPCA)中比重因子的方法。提高了重要不敏感变量的相对重要性和相对敏感度；降低了不重要敏感变量的相对重要性和相对敏感度；有助于提高重要变量的故障检测效果,进而改善质量预测性能。2.阐述了PCA子空间分解对故障检测能力的影响,在此基础上,建立一种基于特征值和特征向量元素划分子空间的原则。对残差子空间进行细分,提出一种基于PCA的多空间检测方法,提高了故障在残差子空间中的显著性,进而提高了微小故障的检测效果。进一步地,仅仅基于正常运行过程的历史数据,利用过程变量对潜变量的不同贡献度,建立一种基于PCA的多空间诊断方法,一定程度上实现了同时对微小故障的检测和诊断。3.针对具有时序特性的间歇过程,提出一种基于信息增量的模态划分和过程监测方法,有效改善了传统模态划分方法的不足,减弱了多PCA模型方法对于样本服从正态分布且模型不变的限制；针对具有无序模态且频繁切换的多模态过程,提出一种实时的联合故障检测方法,解决了“量体裁衣”的多模型方法常因难以即时地在线辨识模态导致难以即时地切换监测模型并采取适当方法进行监测的问题,进一步完善了多模态过程实时监测方法。4.面向质量相关的过程监测问题,在分析PLS子空间分解的有效性的基础上,建立了两种直接的潜空间投影方法。针对质量变量的主要变化由过程变量引起的情况,在对质量变量进行PCA分解的基础上,生成质量潜变量空间从而引导过程变量的分解;针对质量变量的部分变化由过程变量引起的情况,利用系统辨识方法求取质量预测值,对质量预测值进行PCA分解,并将其推广至非线性过程监测中。新方法不仅模型简单、计算代价较小而且取得了较好的效果。5.针对一类连续时间非均匀采样系统的故障检测问题,结合子空间辨识和等价空间技术,提出了一种仅基于输入输出数据直接设计残差产生器的方法,并用于故障检测,能够同时实现快速率残差产生和相应等价矩阵的降维。该方法不用辨识系统模型,在简化了设计过程的同时降低了计算量,也是对数据驱动故障诊断技术结合基于模型故障诊断技术方面进行了有益的探索和推动。论文利用数值仿真、田纳西东人过程(TEP)案例研究或青霉素发酵过程验证了所提出方法的有效性。最后,总结了本文的主要研究内容,并提出了作者所认为的本领域中亟待研究的若干挑战性课题。