随着信息技术的迅速发展,流程工业的生产工艺也越来越复杂,工厂的控制过程一般具有非线性、强耦合和高延迟等特点,导致其数学模型难以精确的建立,因而基于数据的故障检测与诊断的方法在复杂工业过程中引起了广泛的关注。独立成分分析(ICA)作为数据驱动的一种经典算法,可以通过提取观测数据中的独立成分信息,对系统进行建模,从而完成故障检测。然而,目前,基于ICA算法的故障检测研究依然存在着一些问题:(1)传统ICA算法都是对离线数据进行批量处理的方式进行独立成分提取的,如何实现对监测数据进行在线、稳定、有效、快速的检测仍然没有较好的解决方案;(2)针对非线性系统提出来的核独立成分分析(KICA)算法中,一般以经验的方法来选取核参数,检测结果依赖核参数的选取,具有一定的偶然性,缺乏核参数选取的依据;(3)由于系统暂态过程的部分变量数据接近均匀分布,而传统ICA算法只适用于非高斯分布(超高斯分布或者亚高斯分布)数据的故障检测,如何针对暂态过程发生的故障进行检测没有较好的解决方法。本文主要针对以上问题展开研究,完成主要工作如下:提出基于滑动窗口的自适应阈值独立成分分析(MWAT-ICA),实现了数据在线实时检测。通过在三水箱仿真系统上设置4种类型的故障,将MWAT-ICA与ICA的检测效果进行比较。结果表明,MWAT-ICA不仅能够实现在线检测的功能,并且相较于ICA方法,MWAT-ICA具有更高的检测率以及更低的误报率和检测延时。针对传统KICA算法中对核参数的选取具有偶然性的问题,提出基于混沌粒子群算法(CPSO)和KICA相结合的算法:CPSO-KICA,解决了核参数的选取问题。在此基础上,利用TEP的20种故障对算法进行验证。结果表明,该方法能够对不同类型的数据确定不同的核参数,并且相较于现有的WKICA以及PSOKICA方法,该算法具有更高的检测率和更低的误报率。为了实现暂态过程故障检测,提出了一种新的基于分段坐标变换的ICA算法(SCT-ICA)。利用分段坐标变换的方法使得暂态过程中的不平稳的变量变得稳定,解决了传统ICA方法无法对系统暂态过程进行故障诊断的问题。最后通过在智能过程控制测试平台(IPC-TF)上采集的4种故障进行验证。结果表明,改进后的方法能够用于系统暂态过程中的故障检测。