为了获取最大的经济效益,必须要保障现代工业生产过程安全、稳定的运行。因此,及时检测生产过程是否发生异常,具有重要的理论研究意义和工程应用价值。传统的基于数据驱动的故障检测方法将原始数据投影后直接在特征空间中建立监控模型,主要针对的是样本空间和变量空间中的全局结构特征,忽略了局部结构特征,造成重要信息的丢失。所以,有必要研究如何充分挖掘过程数据在特征空间中的有用信息,以进一步提高故障检出率。本文以多变量统计过程方法为基础,主要开展样本空间和变量空间中结构保持两方面的工作。在保持样本空间结构方面,为克服传统的基于核主成分分析的故障检测方法在提取特征时,只考虑全局结构而忽略局部近邻结构的局限性,提出一种基于改进核主成分分析的故障检测方法。通过将保持局部近邻结构的思想融入到核主成分分析的全局目标函数中,使新的目标函数得到的特征空间不仅具有和原始样本空间相似的整体结构,还保持着样本点之间的局部近邻结构。在此基础上,将提取的特征信息作为费舍尔判别分析的输入建立监控统计量进行故障检测。在保持变量空间结构方面,提出一种基于加权核独立成分分析的故障检测方法。首先,利用核独立成分分析提取正常状况下过程数据的独立成分,使用核密度估计确定各独立成分分量密度分布函数。根据故障发生时当前时刻过程数据的独立成分分量偏离正常状况的程度,确定其对故障的贡献度,以此实施不同的加权策略,突出能够反映过程变化的独立成分分量。然后,引入局部离群因子在特征空间建立监控统计量进行故障检测。最后,在Tennessee Eastman过程和数值仿真上的应用表明,所提方法能够有效利用过程数据在特征空间中的结构信息,从而提高故障检测精度。