随着工业生产过程大型化和复杂化，工业生产过程监测作为保障过程安全和产品质量的重要措施受到人们越来越多的关注。实际的故障检测与诊断问题即为分类问题，继而提出各种不同的监测方法，利用过程监测方法对实际工业过程故障进行分类。随着计算机技术与仪表技术的迅猛发展，在工业过程中大量的生产数据被存储下来，由此基于数据驱动的过程监测方法得到了广泛的研究与应用。然而，基于数据驱动的方法通常要求训练数据与测试数据满足独立同分布的条件。在实际工业生产过程中，由于生产条件、生产原料及设备参数等变化导致旧过程的生产数据和新过程的生产数据不满足独立同分布的条件，此时采用现有的统计学习方法和机器学习方法建立的监测模型不能对新过程进行准确地故障检测与诊断。迁移学习能够利用旧过程的生产经验和专家知识指导新过程建立监测模型，有效地提高了学习的效率以及减少知识的浪费。本文结合TE生产过程以及磨矿分级生产过程的故障检测与诊断问题，对基于迁移学习的过程监测方法展开研究，主要的研究内容如下:
　　(1)首先对过程监测方法进行总结概括，其次分析了基于数据驱动过程监测方法的研究现状。通过对统计类过程监测方法和现有机器学习方法的优缺点进行阐述，进而引出迁移学习，并对迁移学习的研究现状及相关方法理论做了详细阐述，并提出了本文的整体研究策略。
　　(2)针对实际工业生产过程，由于生产条件、生产原料和设备参数等条件变化导致生产过程数据分布发生变化，并且对于生产经验和历史过程数据较少的新过程，直接对该过程建立监测模型难度较大，并且模型的监测准确性不理想。本文引入迁移学习方法，建立基于图正则化的迁移学习模型，根据旧过程的经验和专家知识，给出标记数据和样本状态标记矩阵的定义方式。利用非负矩阵分解的改进算法提取过程数据间的公共潜因子，得到更准确的基矩阵，建立迁移学习桥梁;同时采用邻域加权图方法计算样本相似性，充分保持过程数据的局部一致性信息，从而缓解负迁移。通过求解目标函数得到监测数据的状态标记矩阵，进而判断过程的运行状态。利用TE过程数据和实际的磨矿分级生产过程数据验证了方法的有效性和实用性。
　　(3)在实际工业生产过程中，由于生产设备故障、人为操作失误等原因导致生产数据中含有噪声，进而将严重影响监测效果。针对这种情况，本文提出一种具有抗噪性能的迁移学习过程监测方法。该方法采用低秩表示方法将旧过程数据与新过程数据映射到公共子空间中，在此公共子空间中旧过程数据与新过程数据满足同一分布，新过程数据能够由旧过程数据线性表示，并且在映射过程中能够获得噪声矩阵，进而达到抗噪的效果。最后，利用TE过程数据和实际磨矿分级过程数据进行仿真实验，验证了该方法的有效性和实用性。