随着人工智能技术的发展和日渐成熟,德国工业4.0、中国制造2025等国家级战略相继提出,智能化已成为工业发展新的方向。由于当今工业过程更加复杂,工业设备愈发精密,使得可测量的过程变量更加多样化。这些变量常具有非高斯、非线性、相关性强、高维、动态性等特点,传统的过程监控和故障诊断方法已很难适用于这类具有复杂特性的工业过程。从具有复杂特性的过程数据中提取出隐变量的质量直接决定了工业过程故障诊断的结果,隐变量的提取一直是过程监控领域研究的热点和难点。本文提出了一种基于独立慢特征分析和栈式稀疏自编码网络的故障诊断方法,具体研究内容如下:（1）在提取隐变量的过程中,既考虑了所提取隐变量的独立性,又考虑了隐变量随时间变化的快慢程度。在观测数据是由隐变量非线性混合组成的情况下,尽可能提取出非线性混合之前的隐变量,而非它们的非线性失真形式,从而获得更好的监控结果。首次将独立慢特征分析运用在过程监控领域,建立了对应的统计指标和控制限,提高了监控具有非高斯、非线性过程的故障检测准确率;（2）提出了一种基于独立慢特征分析和栈式稀疏自编码网络的过程监控方法。由于栈式稀疏自编码网络有着很强的特征提取能力,因此所提取出的隐变量能更好地刻画过程性质。然而深度学习中默认数据是服从独立同分布的,而原始的过程数据通常难以满足独立同分布的假设条件。因此先使用独立慢特征分析对过程数据进行独立慢特征提取,再将独立慢特征输入给栈式稀疏自编码网络,从而获得更好的过程监控效果,所提出的方法在微小故障的检测上亦有相对较好的性能;（3）进一步提出了一种基于独立慢特征分析和栈式稀疏自编码网络的故障分类方法。所提出的故障分类方法拥有较高的故障分类准确率,对于一些机理上不易区分、相关性较强的故障,所提出的方法亦有着优秀的性能。