工业自动化的发展导致工业系统日渐复杂，如何通过过程数据监控当前过程性能状况以及工业过程变化趋势，达到提前预防事故发生和提高工厂效益的目的已经成为一个重要研究课题。在过程监控过程中，首先需要确定过程有多少种不同性能状况，即多少种工况，这一过程称作工况划分。在划分好的工况基础上，根据一定方法，达到正确识别过程工况的目的，这一过程称作工况识别。本文的主要研究内容为:　　1)针对工况划分问题，本文提出了一种基于多指标的双层工况划分框架，从过程安全、产品质量以及经济效益等多方面评估过程的性能。在这一框架的第一层中，主要考虑过程安全和产品质量。过程安全是最基本的考虑因素，产生故障的工况属于最次级别工况。在过程安全的基础上，引入产品质量作为第二考虑因素，如果过程的产品不合要求，那么过程属于中等级别工况。如果过程是安全的并且产品是合格的，那么，引入经济效益指标，评估过程的利润。在第二层框架中，可以根据第一层框架的结果进一步诊断故障原因、产品不合格原因以及影响经济效益的原因等。　　2)针对工业数据的复杂性以及非线性，在工况识别部分，引入了核主元分析方法(Kernel Principal Component Analysis，KPCA)提取过程主要特征，降低数据维数。为了实时观察过程变化，本文使用了自组织映射神经网络方法(Self-Organizing Maps，SOM)对降维数据进行处理，将数据映射到二维六角网格中，根据网格中数据的距离确定工况类别。通过对TE过程的仿真研究，可以发现，本文提出的KPCA-SOM方法可以正确识别过程安全性、产品质量等，实现过程的离线和在线监控。　　3)引入了抗扰动的去噪自编码方法(Denoised Autoencoder，DAE)，减少过程扰动对监测效果的影响。通过不同降噪方法的对比研究，可以验证在复杂工业过程中使用DAE方法的优越性。此外，为了进一步分析过程工况，本文对影响工况的原因进行了研究。在评估过程安全性、产品质量的基础上，对过程故障原因进行诊断和经济效益等级进行分析等。通过实验可以发现，本文提出的DAE-SOM方法可以正确识别过程的故障原因、经济效益等级等。