过程监测在保障生产安全、提高产品质量、减少故障损失和提升企业在国际市场中的竞争力方面发挥着重要的作用。计算机信息技术的迅速发展带来了大数据时代,这使得基于数据驱动的过程监测方法更是近年来流程工业领域的研究热点。但是,基于数据驱动的过程监测仍面临着许多问题,比如过程数据的特性越来越复杂。传统的基于数据驱动的过程监测方法大多只考虑单一的数据特性。本文同时针对过程数据的动态性和随机性,采用动态贝叶斯网络下的线性动态系统模型(LDSM)进行过程监测研究,具体包括：(1)针对过程数据的动态性和随机性,提出了一种基于切换的LDSM的故障分类方法和未知故障检测方法。本文提出了一种简便的近似学习算法用于建立切换的LDSM,然后采用高斯和滤波方法实现在线故障分类。考虑到工业生产过程中偶尔会出现之前从未遇到过的故障,提出了基于切换的LDSM的未知故障检测方法,主要是通过构建阈值统计量来检测未知故障。(2)考虑到质量变量可能含有重要的过程信息,提出了一种基于有监督LDSM的故障检测方法和基于切换的有监督LDSM的故障分类方法。本文将LDSM扩展成有监督LDSM,并且推导出了用EM算法建立有监督LDSM的详细过程。然后采用新的高斯和滤波方法估计隐变量分布,最后建立T2统计量实现在线故障检测。同样的,在质量变量可获得的条件下,为了取得更好的故障分类效果,提出了基于切换的有监督LDSM的故障分类方法。最后,总结全文的研究内容,对线性动态系统模型在过程监测领域的进一步研究做了展望。