现代工业过程的生产工艺复杂、环境苛刻,一旦发生故障,将会影响生产过程的平稳运行,轻则降低产品性能、造成财产损失,重则引发难以预料的灾难性事故。为确保过程的安全性与可靠性,过程监测系统的重要性尤为明显。通过建立故障检测与诊断模型,监测系统可以实时监控整个过程的运行状况,及时发现并定位故障点,从而减少计划之外的停机时间,确保产品质量。在传统过程监测方法中,多元统计方法(Multivariate Statistical Process Monitoring,MSPM)只需利用历史数据就可对过程的异常状态进行检测,且理论体系较为完整,因此吸引了工业界和学术界越来越多的关注。主成分(或主元)分析(Principal component analysis,PCA)是目前最为流行的MSPM方法之一,已被广泛应用于工业过程监测。然而,实际工业过程具有十分复杂的运行特性,使得传统PCA方法难以准确描述其行为特征,从而出现大量漏报、误报情况。为提高过程监测效果,许多学者提出了基于PCA的改进方法。本文在已有工作的基础上,主要解决了以下问题:1)在各种非线性PCA方法中,基于核的方法通过核函数就巧妙地提取了数据中的非线性结构,并逐渐成为了非线性过程监测的研究热点。然而,在核PCA(Kernel PCA,KPCA)方法中,核主元(Kernel Principal Components,KPCs)是所有核函数的线性组合,导致其可解释性差。为此,本文提出了一种序列稀疏KPCA(Sparse KPCA via Sequential approach,SSKPCA)方法。该方法通过弹性网络正则化惩罚项诱导KPCs稀疏,并通过一个序列算法来求解所建立的优化目标,从而获得了稀疏表示。田纳西-伊斯曼(Tennessee Eastman,TE)过程的仿真结果表明,与其他方法相比,SSKPCA方法具有更好的故障检测与识别效果。2)传统KPCA方法需要将测试样本映射到高维(或无限维)特征空间中,导致计算量大,实时性差。本文提出了一种基于局部-全局随机PCA(Local and Global Randomized PCA,LGRPCA)的非线性过程监测方法。通过非线性函数,该方法将原始输入空间中的数据映射到了随机傅里叶特征(Random Fourier Features,RFF)空间。相比核诱导的高维特征空间,该空间维度较小,可以极大地减少计算量。利用局部和全局信息,LGRPCA方法更好地表示了数据中的流形结构。通过数值例子和TE过程的仿真研究,可以发现,该方法不仅减少了计算和存储成本,而且监测效果更好。3)实际工业过程具有非线性、动态等复杂特性,而已有的非线性PCA和动态PCA方法都仅关注了过程中的单一特性,所以,本文提出了一种多特征PCA方法(Multi-feature Extraction technique based on PCA,MFPCA),并将其用于非线性动态过程监测。利用串行结构的特征提取形式,该方法通过动态内在PCA(Dynamic-inner PCA,DiPCA)、PCA以及KPCA建模方法依次提取了数据中的动态、线性及非线性三种特征。通过数值例子和TE过程的仿真研究,说明了所提出的MFPCA方法对非线性动态过程有更好的监测效果。