随着科学技术的不断提升,工业生产技术也得到迅猛发展,工艺过程愈发复杂,加之工业上的巨额投入,工业生产安全正变得越来越重要,而过程监测则是保证工业生产安全的有效途径。在过程监测的各种方法中基于数据驱动的过程监测是一种较为热门的方法,该方法具有无需模型和经验的特点,这使其拥有良好的适用性和推广性。统计过程监测是基于数据驱动的监测方法,其可以分为单变量统计过程控制(Univariate Statistical Process Control,USPC)和多变量统计过程控制(Multiple Statistical Process Control,MSPC)。独立成分分析(Independent Component Analysis,ICA)是MSPC中一种重要的方法,ICA方法不仅可以处理非高斯分布的过程数据,还可以利用过程数据的高阶统计量信息。然而ICA方法应用于过程监测存在两个问题:第一个是难以确定如何挑选独立成分(Independent Component,IC)。第二个是核密度估计(Kernel Density Estimation,KDE)方法确定控制限效率较低以及需要大量数据样本。本文针对上述两个问题分别提出了自适应独立成分分析(Adaptive Independent Component Analysis,AICA)方法和自适应独立成分分析与支持向量数据描述相结合的(Adaptation Independent Component Analysis-Support Vector Data Description,AICA-SVDD)方法。基于AICA的过程监测主要针对ICA方法应用于过程监测时如何选择IC的问题。在离线建模时,利用分离矩阵构建关联矩阵,该矩阵能够表示IC的相似性;当在线监测时,获取在线样本的成分后,通过核密度估计选择概率密度最小的IC作为特殊独立成分(Particular Independent Component,PIC),再通过关联矩阵选择与PIC相似的一些普通独立成分(Common Independent Components,CICs),最后将PIC与CICs同时用于构造统计量,并用KDE确定控制限。将AICA方法应用于数值仿真与田纳西伊士曼(Tennessee Eastman,TE)仿真过程,测试结果表明所提方法是有效的。由于运用AICA方法时需要实时计算控制限,而KDE方法计算的效率较低,同时建模样本数量需求大。针对上述问题,提出了基于AICA-SVDD的过程监测方法。利用支持向量数据描述(Support Vector Data Description,SVDD)替代KDE方法计算控制限,引入SVDD方法后提升控制限计算效率并且使得建模样本数量需求降低。将AICA-SVDD方法进行数值仿真并应用于TE仿真过程,测试结果表明所提方法对于过程监测是有效的。最后在总结全文工作内容的基础上,对未来在过程监测领域的研究进行了展望。