间歇过程广泛存在于食品、生物和微电子等生产领域,其频繁的操作切换使得整个过程包含了多个不同的运行模态,呈现出多模态特性,各模态具有不同的过程数据特征。随着信息与传感技术的发展和应用,间歇过程现场采集的大量生产过程数据为数据驱动的过程监控提供了重要支撑。然而,过程数据测量设备性能损失或受到干扰所产生的异常测量数据,直接影响了过程监控的有效性。未考虑过程多模态特性或只考虑单个模态内数据特征的测量数据异常检测方法检测准确性较低。因此,研究间歇过程的最优模态划分方法,结合获得的最优模态划分结果,研究间歇过程测量数据异常检测方法,具有重要意义和应用价值。本文从分析间歇过程的多模态特性入手,提出了一种基于改进密度峰值聚类（Improved Density Peaks Clustering,IDPC）的间歇过程最优模态划分方法,该方法考虑过程数据的高维特征,通过引入Close函数度量数据样本间的相似性,利用构建的样本密度不平衡下的模态中心选取策略获取间歇过程的模态中心,由模态划分指标（Mode Partitioning Index,MPI）在无需先验知识的情况下计算得出间歇过程的最优模态数目,并进一步计算样本隶属度识别过渡模态,完成间歇过程的模态划分;提出了一种基于双重支持向量数据描述（Double Support Vector Data Description,DSVDD）的间歇过程测量数据异常检测方法,该方法首先对间歇过程各模态数据集构建内层SVDD模型,然后融合相邻稳定模态和过渡模态数据构建外层SVDD模型,进而构建双重SVDD模型,通过建立的双重控制限构建异常判别策略,对过程数据样本状态进行判断;在此基础上,构建了基于IDPC-DSVDD的间歇过程测量数据异常检测方法,实现过程测量数据异常的在线检测。实验结果表明,所提IDPC间歇过程最优模态划分方法,相较于KM方法、SCFCM方法和DPC方法能够对间歇过程实现合理模态划分;与多模态SVDD方法相比,所提DSVDD的间歇过程测量数据异常检测方法,能够准确判断过程样本状态,构建的基于IDPC-DSVDD的间歇过程测量数据异常检测方法,降低了异常数据的误检率,检测准确性较高。