随着科学技术的发展，工业系统朝着智能化和集约化的方向发展，基于数据的故障诊断方法发展迅速。单分类支持向量方法在工业过程故障诊断中表现出高检测率以及适用于小样本与非线性过程的特点，受到学者广泛的关注。
　　目前关于单分类支持向量机方法的研究存在着一些问题：(1)系统运行工况的变化会导致数据分布不均衡以及现有一类支持向量机方法在应用中模型泛化性弱的问题；(2)支持向量数据描述方法对故障的检测性能依赖于模型的参数选择，在工业过程故障检测中如何选择好模型的参数是一个待解决的问题；(3)传统支持向量数据描述方法是根据样本的全局信息寻找支持向量，并未考虑到工业数据中可能存在的局部信息的问题；(4)现有基于支持向量数据描述方法大多数只完成了工业过程故障检测，但是如何在此基础上进一步对故障识别、故障隔离也是一个待研究的问题。本文针对上述几个问题进行研究，主要工作包括：
　　提出改进一类支持向量机方法应用于工业系统中，通过核密度估计方法改进一类支持向量机来解决传统一类支持向量机模型泛化性弱以及工业系统在工况多变中样本数据分布不均衡的问题，在三容水箱系统中进行仿真实验，结果表明该方法在数据分布不平衡条件下保证故障检测率的同时降低了误报率。
　　针对传统单分类支持向量机方法的模型参数选取问题，引入布谷鸟搜索智能算法，通过综合故障诊断中的两个重要指标定义目标函数，解决支持向量数据描述的模型参数选取问题，在智能过程控制测试平台的实验验证将布谷鸟搜索算法与粒子群搜索算法对比，表明所提出的故障检测方法的优越性。
　　提出一种局部保持投影支持向量数据描述方法，在传统支持向量数据描述方法基础上引入局部保持投影方法，所提出的方法同时考虑了数据可能存在的全局结构和局部结构，解决工业数据中可能存在的流形分布的问题，并在数值仿真系统与田纳西伊斯曼平台验证方法的有效性。
　　针对基于单分类支持向量方法检测结果并未面向后续流程进行故障识别、故障隔离的问题提出了支持向量中心偏移算法，并将其应用在非线性工业过程故障识别过程中，并且通过数值仿真系统以及田纳西伊斯曼平台的实验分析中证明了所提出方法的有效性。