随着当今工业技术的不断发展,现代工业过程的生产规模与日俱增,设备的结构越来越复杂,系统内部的联系越来越紧密。这种复杂大系统的某一部分一旦发生故障,就极有可能引起整个系统的瘫痪,导致停产和大规模的财产损失。因此,安全性在工业生产过程中占有极其重要的地位。而故障诊断技术显然是提升工业生产过程安全性的重要方法,因此对故障诊断技术进行研究具有极其重要的现实意义。在众多故障诊断技术中,基于多变量统计的故障诊断方法以其不需要系统数学模型、纯数据驱动的诊断方式和良好的实时监控性有着非常好的应用前景。本文以田纳西-伊斯曼过程(TEP)作为仿真和验证平台,选取了该过程中几种具有代表性的故障,详细研究了几种基于多变量统计的故障诊断方法在这些故障上的诊断性能：1、首先,研究了基于主元分析(PCA)的故障诊断方法,并用其对几种选出的TEP故障进行了诊断。仿真结果表明,传统的PCA方法只对其中1个故障有较好的故障诊断性能。2、其次,考虑到工业过程普遍具有动态性和非线性的特点,采用一种具有动态非线性特性的动态核主元分析(DKPCA)方法,并针对DKPCA进行诊断时运算时间较长的问题,将特征矢量选择算法(FS)与DKPCA相结合,构成特征矢量动态核主元分析(FS-DKPCA)故障诊断算法,大大减少了DKPCA的运算时间。仿真结果表明,FS-DKPCA对一些故障的诊断效果有所提升。3、最后,考虑到实际工业过程由于非线性和动态性的原因测量数据不呈高斯分布,引入了一种基于盲源分离思想的多变量统计方法——独立成分分析(ICA),并针对工业过程具有动态性和ICA对时滞增广矩阵进行处理时收敛速度慢的缺点,提出一种新的动态主元独立成分分析(DPCA-ICA)故障诊断算法,首先采用DPCA对数据进行降维预处理,然后再通过ICA算法提取独立元进行故障诊断。仿真结果表明,在用DPCA预处理数据后,ICA提取独立元的速度明显加快。基于DPCA-ICA的故障诊断方法对于大多数故障都有比较好的诊断性能。文中实验结果表明,和PCA方法相比,当系统运行在正常工况时,本文提出的故障诊断算法具有较低的误报率；当系统发生故障时,本文提出的方法对大多数故障具有更低的故障漏报率,并且能够正确识别出大多数故障,保证了系统安全、可靠地运行。