随着工业化进程的不断深入,对企业的安全生产和产品品质都提出了更严格的要求。因此,过程监测方法在实际工业生产和学术研究中都具有十分重要的研究价值。与此同时,计算机技术和传感器设备在工业系统中的广泛应用,采集到的各种过程数据被完整的保存下来,使得多变量统计过程监测方法（Multivariate Statistical Process Monitoring,MSPM）得到了快速的发展。然而,传统的多变量统计过程监测方法已不能满足结构复杂,操作单元众多的现代工业过程,如动态主成分分析（Dynamic Principal Component Analysis,DPCA）、典型相关分析（Canonical Correlation Analysis,CCA）等。所以,本文的研究工作建立在现有的算法基础上,针对上述问题,提出了几种改进优化的过程监测方法,具体的研究工作如下:（1）针对DPCA直接对有自相关特征的主成分和残差实施监测不合理的问题。本文在DPCA模型之上,提出了基于估计误差的分布式动态过程监测方法。该方法借鉴机理模型误差生成思想,通过迭代方法（Iteration Method,IM）计算出每个缺失变量的估计值来拟合实测值,以此来剔除过程变量之间的自相关性,进而将原始的过程数据转化为估计误差;最后,利用估计误差实施故障检测。通过数值和TE仿真实验,验证了DPCA-IM方法在故障检测上的优越性。（2）针对传统过程监测方法都是提取潜在特性信息,从而无法合理的解释系统运行机制,进而影响故障检测和诊断的问题。本文在CCA算法的基础上,提出了基于CCA的显性关系发现的分布式过程监测方法。首先,通过CCA算法描述每个过程变量与其他变量的相关关系;然后,通过回归模型来描述过程变量之间的显性关系;接着,利用回归模型产生的误差实施故障检测,故障检测之后再进行故障诊断;最后,通过数值和TE仿真实验,验证了CCA-ERD方法在故障检测与诊断上比其他基于潜在特征信息的过程监测方法的优越性。最后,对本文的研究工作进行了简单的总结,并展望了MSPM的未来。