工业生产过程在国民经济中占有重要地位,但是工业过程的复杂度、自动化程度和集成度不断提高导致工业过程发生故障的可能性也越来越大,因此对于工业过程的监测是十分必要的。但是对于传统的故障检测与诊断方法还存在以下问题:（1）传统的基于欧氏距离相似度为判别标准的多模主成分分析方法没有考虑到负载矩阵中向量的方向性,导致判别结果错误;（2）传统的两步主成分分析方法假设变量之间是线性关系以及数据服从高斯分布,但是实际工业过程数据很难满足这两个假设;（3）传统的拓展收敛交叉映射算法对于稳态数据的分析存在算法结果不准确、运行时间长的问题。在阅读了相关文献的基础上,针对上面三个问题提出了相应的解决方法,主要工作有以下三点:针对传统的基于欧氏距离相似度为判别标准的多模主成分分析方法没有考虑到负载矩阵中向量的方向性,导致判别结果错误的问题,提出了考虑角度信息的欧氏距离相似度的判别标准,在核电站二回路仿真平台设置了三种工况,并用三种算法进行识别,结果表明所提出算法比传统方法具有更强鲁棒性。针对传统的两步主成分分析方法关于变量之间是线性关系以及数据服从高斯分布的假设不合理的问题,提出了两步支持向量描述的方法,结合了两步主元成分分析方法对于数据动态特性的处理和支持向量描述方法对于数据非线性和非高斯性特性的处理。最后在田纳西伊斯曼（TE）平台和智能过程控制测试（IPCTF）平台与其他方法进行对比试验分析,结果表明所提出算法对故障的检测率更高、误报率更低。针对传统的拓展收敛交叉映射算法对于稳态数据的分析存在算法结果不准确、运行时间长的问题,提出了主成分分析-拓展收敛交叉映射算法:PCA-ECCM。首先利用主元成分分析算法检测出故障发生时间,通过故障发生时间对故障发生导致的过渡过程进行提取,再利用拓展收敛交叉映射算法构建故障信息传递的拓扑网络,找到故障源变量。最后应用在发电站二回路仿真平台、田纳西伊斯曼（TE）平台和智能过程控制测试（IPC-TF）平台,与传统的拓展收敛交叉映射算法进行对比,结果表明所提出算法构建的因果关系更符合实际。