现代流程工业向着复杂化、规模化、数字化方向发展,但是保障工业生产过程的安全稳定运行一直是流程工业的核心目标。过程监测是工业过程运行监控的关键技术,而随着工艺流程越来越复杂,使得过程机理模型难以用于监控过程;与此同时,由于集散控制系统和工业互联网的快速普及应用,流程工业中积累了大量的过程数据。因此,21世纪智能化趋势下,基于数据的复杂过程监测技术具有重大的工业价值和研究意义。近年来,以深度学习为代表的特征学习方法在图像处理、自然语言处理、生物信息识别等领域都取得重大进展,深度学习模型表现出强劲的处理各种非线性信息的能力。在流程工业领域,数据的快速增长既是挑战又是机遇,如何深度挖掘大量过程数据中的有用信息,并将这些信息用于过程监控是亟待解决的问题。自编码器模型作为深度学习方法的一个代表,可以有效地解决非线性过程建模问题,然而由于过程监控的对象往往还同时具有动态性、多工况等等特性,而且过程监控还包括故障检测、故障分类、故障识别等不同目的,基于堆叠自编码器深度学习模型的过程监测方法值得深入研究。本文在现有自编码器方法基础上,针对过程监控的不同需求和对象复杂性,提出了复杂非线性过程建模和监测的新方法和新思路。主要研究工作包括以下四个部分:(1)提出了 一种鲁棒自编码器模型及其故障检测方法。通过训练强化自编器模型,使得模型输出对输入变化的鲁棒性增强,改善模型重构误差对故障的灵敏性。通过理论分析,证明了鲁棒自编码器模型在线故障检测统计量对故障变化更灵敏,并且通过工业实际数据仿真验证了所提方法的有效性。(2)针对传统贡献图方法和基于重构的贡献图方法直接用于非线性模型的问题,提出了一种基于反向传导的贡献度(BBC)计算及其故障识别方法。该方法通过将统计量记录的故障信息反向传导回输入层,计算每个输入变量对该故障的贡献度,从而实现故障识别。理论分析证明该方法可以有效避免故障来源的错误识别,仿真结果验证了反向传导贡献度方法的有效性。(3)针对动态非线性过程的故障分类问题,建立了一种动态稀疏堆叠式自编码器模型,能够同时对故障数据和正常数据建模,提出了一种半监督形式的故障分类算法。借鉴深度学习中常用训练方法,使用无标签数据预训练特征提取模型,有标签数据训练微调分类模型,从而提高故障分类的准确率。(4)针对多工况问题,建立了一个5层结构的堆叠式自编码器模型,提出了基于该模型的工况特征提取和非线性特征分类方法。通过深度学习特征的组合,形成学习抽象的特征,代表不同工况,最后利用该模型特征实现了工况分类和故障检测。