现代氟化工生产过程的大型化和复杂化以及其生产介质具有的剧毒特性,迫切要求提高氟化工生产系统的监测水平,从而避免事故甚至系统崩溃所带来的巨大损失。在传感器以及物联网技术广泛应用的背景下,传统的氟化工过程故障检测和诊断技术显然已经不适应其大数据、时变性、变量相关性等特点。且故障检测和诊断是在发生故障之后采取干预措施,为了避免任何可能的故障并且最大程度降低维护成本,应当采取更加积极的维护策略,即在生产过程中实现可靠性监测以减少故障的发生。因此,本文从大数据背景下氟化工过程故障检测与诊断以及系统可靠性、操作单元可靠性估计等方面对氟化工过程监测展开了研究。针对大数据背景下的氟化工过程的故障检测和诊断,本文提出了递归更新的基于Map Reduce的主成分分析方法（RMPCA）。通过互信息考虑氟化工过程变量相关性,从而对过程变量进行分块以初始化RMPCA。通过遗忘因子优化模型以应对新数据淹没在旧数据中的问题。提出了递归贝叶斯决策融合以及递归分层故障诊断的方案,从而实现厂级、车间级和设备级等不同水平的故障检测与诊断。为了在氟化工过程监测中采取更加积极的维护措施,为进一步实现预测性健康管理奠定基础。本文提出了一种综合产品质量的模糊推理系统（QFIS）方法评估氟化工过程系统可靠性。针对产品质量离线检测间隔较长的特点,使用提出的质量加权多元正态损失函数来量化产品质量损失。通过将质量损失和专家知识确定的重要安全变量输入到设计的模糊推理系统中,以估算氟化工过程系统可靠性。在实现氟化工过程系统可靠性估计的同时应当加强其操作单元可靠性监测,从而在系统可靠性出现下降时迅速做出反应。为此,本文对操作单元可靠性也展开了研究。根据过程工艺划分操作单元过程变量,然后通过全局-局部结构分析方法将有关过程变量投影到低维空间。最后将投影变量作为模糊推理系统的输入,操作单元可靠性作为输出设计模糊推理系统,得到操作单元可靠性的估计模型。所有算法均在华东地区某氟化工过程以及计算机模拟过程田纳西伊士曼过程中进行了应用,所得结果充分证明了所提出算法在各方面的优越性。