随着全球化市场对企业的盈利和竞争能力提出新的要求,有效地保证过程生产安全和提高产品质量是现代过程工业面临的主要挑战,因此过程监测无论是在工业应用领域还是学术研究领域都有着重大的实践意义和理论研究价值。近年来,由于计算机技术的飞跃发展和工业规模的不断扩大,工业过程能够测量和存储的数据信息越来越大而精确描述过程的机理模型却难以获得,如何从海量的过程数据中发掘出能用于监测过程运行状态的有用信息已成为迫切需要解决的问题。基于数据驱动的过程监测技术就是在这个背景下应运而生的,其中多变量统计过程监测(MSPM)方法在工业界和学术界的广泛关注下已经成为过程监测领域的研究热点。虽然MSPM已经得到了长足的发展,各种方法层出不穷,但是还存在诸如特征提取、数据降维和多工况或多模态过程监测等一系列亟待解决的问题。此外,如何开发出能结合基于解析模型和基于数据驱动方法的混合过程监测框架也是一个值得研究的课题。本文在已有研究工作的基础上,以数据特征提取和信息融合为研究主线,针对不同的问题,提出了不同的过程监测新方法,具体包括：1)针对传统主成分分析(PCA)算法在建立统计监测模型的过程中存在的截断信息丢失问题,提出一种基于四子空间构建的分布式过程监测新方法。根据各过程变量与PCA主成分子空间和残差子空间的相关性,将过程变量分割为四个变量子空间,每个变量子空间与原始数据所对应的PCA模型之间存在着不同的联系。每个子空间都是原始数据的一个低维特征表示,可以直接为其建立以平方马氏距离作为的监测统计量。为了得到最终统一的监测结果,利用贝叶斯推理将四子空间的监测统计量融合为一个概率型的指标。对单个子空间而言,空间的维数得以降低,而从整体上看,所有过程变量未经任何的转换或加权,原始数据中的信息得到了最大化的保留。仿真实验研究表明,提出的分布式过程监测方法能在很大程度上改善故障检测的效果。2)原始数据空间包含全局结构和局部结构特征信息,在故障发生时,数据空间中的全局和局部结构特征均会受到不同程度的影响,任何一方面的特征遗失都有可能影响过程监测算法的性能。为此,提出了一种能折衷提取数据全局和局部结构特征的算法。在全面分析了PCA、局部保持投影(LPP)、全局-局部结构分析(GLSA)和局部-全局PCA(LGPCA)等数据空间结构特征保持算法的优化目标函数后,针对他们的全局结构保持目标函数中缺乏近邻信息这一问题,在设计全局结构保持目标子函数时,以数据点的局部均值向量取代整体均值向量,从而推理出一个能在全局和局部结构特征中同时考虑近邻流形信息的多流形投影(MMP)算法。并在MMP算法的基础上开发出了对应的过程监测方法框架。通过实验的对比分析,验证了MMP算法具有较好的特征提取能力,能够取得更优越的监测结果。3)利用独立成分分析(ICA)算法建立非高斯过程监测模型时,难以确定最佳的降维准则,且降维准则直接影响了ICA过程监测方法的性能。针对这个问题,提出了一种新的基于ICA的非高斯过程监测方法。该方法利用了模式识别领域集成学习的思想,综合利用所有可用的降维准则,建立多个统计监测模型,并通过贝叶斯推理构造出一个概率型的监测指标,有效地降低过程监测性能对单一降维准则的敏感度。实验研究表明。由于集成学习框架下的ICA方法集成化的考虑多个监测子模型的监测结果,它能获得更满意的故障检测效果。4)针对过程的多工况运行情况并同时考虑过程的时变特征,为多模态过程提出了一个体系化的过程监测方案,它集模态聚类、自适应模态辨识和自适应模型更新为一体。离线建模阶段,考虑到过程缺失区分各模态数据的完整经验和数据的高维特性,提出利用局部保持索引(LPI)降维技术和集成c-均值聚类方法相结合的模态聚类方法。随后,为多模态过程数据提出模态展开的预处理技巧。模态展开首先将聚类后的多模态过程数据当成一个三维数据矩阵,然后按照模态将三维数据矩阵展开为二维数据矩阵,并根据每个模态所对应的均值和方差对其作归一化预处理。该技巧能消除数据因局部均值和方差的变化而引起的多模态特性,这可以方便我们直接为多模态过程建立单个全局的统计监测模型。在线监测阶段,提出自适应的策略以有效地识别出当前的操作模态,以及如何进行模型更新适应过程的时变动态特性。5)探讨研究了基于数据驱动技术和观测器设计组合方法论用于监测混合过程的相关问题。在过程控制领域,通常将在多个操作模态间切换的过程定义成混合过程,对混合过程监测问题的研究,基于数据驱动的方法和基于解析模型的方法都是被分开来研究的。首先,针对基于解析模型的方法在模态识别上的不足和要求精确机理模型的难题,采用基于数据驱动的方法来描述混合过程的多模态特征,以及利用子空间辨识技术获取近似的状态空间模型。基于数据驱动方法的优势在于它只需过程采集的数据信息,从而最大化的解放了基于解析模型方法的诸多限制条件。其次,利用被基于解析模型方法领域广泛研究的未知输入观测器理论,为混合过程的各个操作模态开发出对应的基于观测器设计的故障检测与诊断方法。基于统计分析的过程监测方法因缺乏对过程动态性的有效描述,有可能给出模拟两可甚至误导的结果,而基于观测器设计的方法则可以有效地避免这一问题。即使是针对大型复杂过程,如Tennessee Eastman Benchmark过程,从故障检测的角度出发,该组合方法论仍是可行的。最后,在总结全文研究工作和分析所存在问题的基础上,阐述了未来在过程监测领域的研究工作。