随着科学技术的进步,现代工业正朝向大规模化、高端化、复杂化与智能化快速发展。在这一趋势下,系统运行的安全性与可靠性面临着更大的挑战。作为保障工业过程安全可靠运行的必要手段,以异常检测、故障诊断、软测量等为典型应用的工业监控技术能够及时检测出工业过程的异常,包括设备运行异常与质量异常,并诊断出故障类型以消除其带来的不利影响,因而获得了学术界与工业界的普遍重视。近年来,随着人工智能算法的蓬勃发展与各类工业传感器的广泛部署,基于机器学习的工业监控技术得到越来越多的研究关注。然而,传统方法往往要求过程变量均匀采集、训练与测试数据独立同分布、训练数据量丰富且数据完整无缺失。实际应用中工业系统的多速率采样、变工况、传感器故障等导致的典型欠数据问题为传统的数据驱动工业监控技术带来了挑战。随着知识迁移算法的兴起,通过迁移相似源域的知识来辅助目标域的建模,为以上典型欠数据场景下的工业监控提供了新思路。基于此,本文以深度迁移学习方法为技术手段,开展了工业监控典型欠数据场景下的知识迁移方法研究。首先,针对工业过程中多速率采样导致的欠数据问题,提出了面向多速率过程的异常检测方法;在检测到异常与故障发生后,针对工业过程变工况等导致的训练测试数据分布不匹配问题,设计了面向变分布数据的跨域故障诊断方法。其中,首先考虑了多粒度的分布迁移问题;进而,对分布迁移与故障诊断任务的协同优化问题进行了解决。在此基础上,对同时具有变分布与变故障类别的问题进行了研究;最后,针对实际工业数据的变量缺失现象,进一步考虑了跨域软测量建模中的缺失数据问题。文章的具体研究内容如下:针对多速率采样数据导致传统机器学习模型难以适用的问题,提出一种采样间隔感知的渐进知识迁移模型。考虑到多速率过程的采样速率差异与动态时变特性,设计了一种采样速率感知的慢变分自编码器模型以实现对静态与动态概率特征表示的单独提取与解耦监测。此外,设计了一种渐进知识迁移策略用于缓解慢采样数据稀缺问题。该方法为基于深度模型的多速率过程异常检测任务提供了新的视角,在实际的百万千瓦超超临界机组案例上的实验表明所提方法相比于传统深度学习方法在故障误报率和检测率指标上分别降低7.48%、提升3.29%,显著增强了多速率过程的异常检测性能。针对工业系统变工况导致的训练与测试数据分布不匹配与多粒度分布迁移问题,提出一种联合粗细粒度的对抗网络用于实现变分布下的跨域故障诊断。所提方法设计了粗粒度全局域级别与细粒度故障类级别域判别器以实现边缘分布与条件分布的自适应,进而使得源域故障分类器在目标域中保持有效。此外,通过设计不同类型的特征提取器,所提方法可以实现对机械设备与化工过程的故障诊断。在机械滚动轴承案例与三相流工业过程案例中的实验结果表明,所提方法在故障诊断准确度和F1得分上相较最优对比方法分别获得了平均4.43%和5.48%的性能提升。针对传统跨域故障诊断算法独立考虑跨域可迁移性与故障可区分性导致特征学习不充分的问题,提出一种基于故障原型自适应网络的跨域故障诊断方法。通过故障原型与损失函数的设计,使得同一故障类别下的样本在特征空间中能集中到所属故障原型的周围,并与其他故障原型分离。此外,设计了一种故障原型自适应策略。通过对软原型和硬原型的迁移,使得源域中学习到的故障原型能够自适应至目标域中。相较传统方法,该方法通过虚拟故障原型将跨域可迁移性与故障可区分性进行统一表示与联合学习。在两个案例中的实验结果表明,该方法能够提取更优的故障可区分与跨域可迁移的特征表示,在故障诊断准确度和F1得分上相较最优对比方法分别获得了平均4.21%和4.42%的性能提升。针对同时具有域分布不一致与故障类别不一致的跨域故障诊断问题,提出一种多源精细迁移网络,用于从多个源域进行知识迁移与互补,从而实现对目标域故障类别的有效覆盖与准确诊断。相比已有方法,所提方法放松了传统跨域故障诊断研究中源域和目标域具有相同类别标签的假设,通过优化在每对源域与目标域组合内的细粒度分布差异,实现多源域与目标域间共享类别的知识迁移。实验结果表明所提方法在两个案例中相比于最优对比方法的准确度分别提升了4.85%和6.39%,有效提升了在域分布与类别空间差异同时存在时的跨域故障诊断精度。针对跨域知识迁移过程中存在数据缺失的问题,提出了一种面向不完整数据的深度概率迁移学习框架,用于实现具有缺失值数据下的跨域工业软测量。该方法以端到端形式设计了深度生成式回归模型与概率隐空间迁移策略,用于在概率框架下显式学习跨域回归建模关系。进而,通过利用深度概率模型的数据重构与生成能力,将该框架扩展至面向缺失数据的场景。相较已有工作,该方法从概率深度学习的视角解决了迁移学习场景中存在数据缺失的问题。通过三相流工业过程的实际验证表明,所提方法相比于传统深度学习方法在均方根误差和平均绝对误差指标上分别相对降低了7.09%与6.26%。