科技的飞速发展带动了社会各行各业的蓬勃发展,尤其是在影响着人们生产和生活的工业领域。这种发展使得现代大型工业过程越来越趋向于复杂化且整个工业系统各设备装置都相互联结、彼此相关,一旦发生故障,轻则造成财产损失,重责造成设备操作人员死亡。为了减少这种本可以避免的损失,急需要寻找可靠有效的故障检测技术来解决这些问题。在研究复杂工业过程故障检测方法的过程当中,基于数据驱动的多元统计分析方法因其处理数据的优势受到了专家学者的广泛关注。基于数据驱动的故障检测技术可以对生产系统运行的状态做出准确的判断,通过特定的监控指标判断过程是否发生故障,有效提高了复杂工业生产过程的可靠性,保障了生产环境的安全性。但在实际复杂工业生产过程中,过程数据往往具有很强的非线性、多中心、变量呈高斯非高斯混合分布以及变量间的相关性大小等问题,这些复杂数据特性会影响基于数据驱动的传统多元统计方法的故障检测效果。本文针对具有变量相关性,多模态、多阶段等复杂特性的生产过程进行故障检测算法研究,主要内容包括:（1）针对包含许多单元的大型复杂生产过程,单元内变量之间的相关性远远强于单元间这些变量的相关性的特点,提出了一种基于子块典型变量分析（sub-block canonical variate analysis,SB-CVA）的故障检测方法。首先依据块内变量高度相关,块间变量相关性较小原则将过程建模数据分块,然后在各个块内分别建立CVA模型,并计算T~2和Q统计量作为故障检测指标。该方法主要优点是能及时检测故障并定位故障发生的单元。通过TE过程进行仿真,并与PLS,MB-PLS和CVA进行对比,验证了所提方法的有效性。（2）针对复杂工业过程数据具有多阶段、多中心和明显的方差差异的特性,提出了一种基于多层近邻标准化典型变量分析（Multilevel neighbor standardization canonical variable analysis,MNS-CVA）的复杂过程故障检测方法。首先对多模态过程训练数据进行MNS处理,调整各模态离散程度,消除模态间方差差异。然后采用CVA方法建立故障检测模型。对待检测的数据进行建模时一样的MNS处理,计算T~2和SPE统计量并与控制限比较进行故障检测。最后通过具有多模态特征的数值例子和青霉素发酵过程仿真实验,验证了所提方法的有效性。