现代工业系统日趋复杂，为了保证过程安全、提高产品质量，过程监控得到了人们的广泛关注。数据采集和存储技术的不断发展，使得过程数据变得极其丰富，为开展过程监控工作提供了技术基础。然而，这些过程数据维度较高，变量间关系较为复杂，很难直接利用原始的高维数据来建立过程监控模型。针对过程数据的高维问题，多种降维方法应运而生。　　降维的主要目的是在降低数据维度的同时，保留原始高维数据的主要特征信息。但是大多数的降维方法会导致过程信息缺失，影响监控性能。本文针对建模过程中存在的信息缺失问题，从特征子空间的角度，将原始的高维数据空间分解为多个低维的特征子空间，同时解决了降维和信息缺失两个问题。主要研究内容如下:　　(1)针对传统主元分析(Principal Component Analysis，PCA)监控方法存在的信息缺失问题，提出了一种基于全变量信息(Full Variable Information，FVI)的特征子空间监控方法。该方法依据每个过程变量与主元空间(Principal Component Subspace，PCS)和残差空间(Residual Subspace，RS)的相似性，将原始过程变量分解为多个低维特征子空间。从单个特征子空间来看，数据维度得到了降低;从整体上看，全部过程变量未经任何的转换或加权，原始数据信息得到了最大化的保留。　　(2)针对传统独立元分析(Independent Component Analysis，ICA)监控方法在选取占主导地位的独立元时，未能充分利用过程信息这一问题，本文从信息保存的角度，提出了一种新的基于贡献度的关键独立元选取方法。选取的关键独立元表征了全部变量最多的信息，组成了关键特征子空间，剩余独立元组成了残差特征子空间，两个特征子空间保留了全部独立元，过程数据信息得到了进一步地利用。　　针对上述两种方法，本文在理论分析的基础上，采用具有代表性的数值仿真和田纳西伊斯曼(Tennessee Eastman，TE)过程仿真，验证本文所提方法的有效性。