现代工业制造过程规模不断扩大,设备的维护和和产品的安全性保证变得尤其重要。质量是生产过程的关键结果。复杂工业过程中许多易于测量的过程数据隐含了最终的质量信息,可以通过分析测量数据和产品质量测量值之间的内在关系,进而对工业过程建模,实现产品质量的监测。基于PLS的过程监测是通过分析生产数据中包含的信息,对复杂过程进行安全性监控及质量控制,并给出可能的异常报警和诊断推理的监控技术,该类方法能有效提高过程监控性能,实时指导生产过程,减小和避免故障发生时造成的损失。本文就典型的化工过程和半导体过程进行新型质量监测与预报方法的研究。首先,在研究CPLS方法基础上,针对贡献图方法本身缺少指示故障发生时过程偏离正常状态的程度,而且过程中贡献值方差变化小均值大的变量容易误判为故障源等问题,提出改进的贡献图方法旨在改善异常识别的解释性和准确度,该方法将各变量相对贡献值大小作为故障变量定位依据并指示了异常的偏离程度。其次,研究具有多阶段特性工业过程的新型预测方法。针对单一MPLS模型进行质量预报时存在预测精度低、局部预报能力不足等问题,对多阶段数据进行聚类分析,从局部混合的角度建立了多MPLS质量预报模型,克服传统全局建模预测精度低、局部预报能力不足等缺点,并在此基础上引入神经网络结构进一步泛化模型对非线性、高度相关数据的建模能力。同时提出一种FDA_kernel状态切换监测方法,该方法利用贝叶斯原则融合质量信息和阶段内的数据分布特点对状态切换进行在线识别。再次,研究预测模型训练更新的相关问题,讨论模型跟随工业时变、动态的过程特性的更新方法,旨在提高模型自适应预报能力。在建模过程中,训练数据容易达到饱和以及新采集到的数据和历史数据的可信度等问题对质量监测和预报有较大影响,因此,提出一种自适应的块RPLS质量预报模型,提升模型对实际工业过程的解释性,减小或消除与实际过程的静态误差。该方法利用局部离群因子对更新数据块进行离群检测,利用设计的离群检测限将数据块划分为稳定数据集和偏离数据集,以交叉验证方式自适应学习过程的时变信息,并结合矩阵相似理论修正特征矩阵进行RPLS模型参数更新。最后,以青霉素发酵过程和半导体蚀刻过程为研究对象,验证上述改进模型故障诊断和质量监测的有效性,并给出相关结论以及未来研究和展望。