本文源于现代工业企业对“质量、效率和效益”提升的实际需求,充分考虑复杂工业过程流程长、工况复杂多变、动态、非线性及质量相关故障定位难、传播路径复杂、易演变演化等问题,在传统的多元统计、概率分析、机器学习、信息融合、信息论、图论、模式识别等理论方法的基础上,针对现代工业生产过程中质量相关故障根源诊断与传播路径辨识领域所面临的关键科学问题,从复杂工业过程的动态与非线性、层次化监测以及多故障诊断等不同角度深入研究了故障根源诊断与传播路径辨识方法,为有效减少或避免质量相关故障发生、保证产品质量、提高企业经济效益提供了理论支撑与技术保证。取得了如下创新性研究成果:1)针对复杂工业过程建模复杂、质量相关故障分布范围广、定位难、因果拓扑图构建效率低等问题,提出了质量相关故障根源变量目标候选集筛选与因果关系分析相结合的故障根源诊断方案。在该方案下,面向复杂工业过程的动态特性,构建了互信息典型变量分析模型,实现了质量相关故障检测;然后,利用广义重构贡献图方法筛选了质量相关故障变量的目标候选集;最后,通过传递熵方法分析了质量相关故障变量间的因果关系,构建了因果拓扑图,实现了动态过程质量相关故障的根源诊断。面向复杂工业过程的多工况特性,构建了鲁棒高斯混合模型,实现了质量相关故障检测;然后,通过推导基于贝叶斯推理的鲁棒高斯混合贡献指标,筛选了质量相关故障变量的目标候选集;最后,通过传递熵方法初步构建因果拓扑图,并利用直接传递熵方法判断间接因果关系,获取了最优因果拓扑图,实现了多工况过程质量相关故障根源诊断。2)针对基于数据提取的因果拓扑图可能存在较多的冗余连接,而基于知识的方法可能存在大量不直观或重要信息缺失等问题,提出了知识和数据联合驱动的质量相关故障传播路径辨识策略。在该策略下,面向复杂工业过程的非线性与动态特性,构建了非线性动态潜变量模型,实现了质量相关故障检测;然后,利用相对重构贡献图方法筛选了质量相关故障变量的目标候选集;最后,将知识和数据相结合,通过构建分块贝叶斯网络,实现了非线性动态过程质量相关故障传播路径辨识。面向复杂工业过程的动态特性,在基于数据驱动间隙测度与贝叶斯推理的局部与全局质量相关故障检测结果的基础上,利用基于神经网络架构的格兰杰因果关系分析方法,实现了动态过程质量相关故障传播路径层次化辨识。3)针对全局的建模思想可能会忽略过程的很多细节信息以及质量相关多故障的未知、时变、多模态特性,提出了自顶向下的质量相关多故障层次化检测与根源诊断框架。在该框架下,面向复杂工业过程的动态特性,在基于相关性典型变量分析与贝叶斯推理的局部与全局质量相关多故障检测结果的基础上,利用张量子空间判别分析方法,实现了动态过程质量相关多故障根源诊断。面向复杂工业过程的非线性与动态特性,在基于自适应核典型变量分析与贝叶斯推理的局部与全局质量相关多故障检测结果的基础上,利用鲁棒稀疏指数判别分析方法,实现了非线性动态过程质量相关多故障根源诊断。上述研究成果是针对复杂工业过程质量相关故障的根源诊断与传播路径辨识两大科学问题进行的系统研究,并制定了相应的解决思路和技术方案。利用带钢热轧过程、田纳西-伊斯曼过程数据对这些方法进行了验证,并与传统方法进行对比分析,实验结果表明了算法的有效性和实用性。