在现代工业生产设备的使用中出现故障是在所难免的,然而不能被及时准确的检测和排除时,有可能导致整个系统的瘫痪,造成的损失与损害不堪设想。而因为生产设备中往往生成和收集了大量的跟踪或机器数据,所以基于数据驱动的方法已被广泛地应用到工业过程故障诊断中。该方法不依靠精确的系统数学模型,只利用基于大量数据的控制算法,因此具有高效性与便捷性。考虑到工业过程的复杂性与数据的非线性,在目前应用最广泛的非线性故障诊断技术的基础之上不断完善,本文所进行的主要研究如下：1)为了克服传统非线性故障诊断方法精度低的缺点,研究基于扩散映射的K最近邻(DM-KNN)故障检测方法。该方法充分考虑数据中的流形非线性结构并且保留非线性数据的全局特性；利用K最近邻法则克服遗漏残差信息的优点,将其故障检测的原理应用到特征提取后的低维流形特征空间中来检测潜在故障,其诊断结果更加可靠准确。以TE过程为研究背景,利用TE过程仿真数据对典型故障进行验证, 结果表明该方法具有高精度。2)为了克服目前高精故障识别的自动化技术匮乏问题,提出了基于扩散映射与隐马尔科夫模型(DM-HMM)的数据驱动故障诊断方法。该方法采用“特征提取与分类决策”的智能故障识别思想,利用扩散映射减少数据存储成本,并将获取到的低维特征向量作为隐马尔科夫模型的观测序列进行故障模式的识别,从而提高诊断的快速性与准确性。最后将该方法应用到TE过程模拟器中实现仿真验证,结果表明该方法的有效性。