及时、准确、全面的掌握工业过程的运行状态是现代工业生产当中的一个非常重要诉求,同时,工业过程的运行状态的感知、认知技术也被视为工业人工智能三个关键技术之一。目前,受复杂工业过程多参数、多回路、大滞后、强耦合、干扰频繁等特点的影响,围绕过程静态特性的单一指标运行状态评价方法很难及时获得准确的过程状态。为此,本文围绕基于静-动态特性的复杂工业过程运行状态评价方法展开研究,通过深度挖掘数据特性,从过程静-动态特性两个角度分析过程运行状态并追溯非优原因变量,主要研究内容包含以下三个方面:（1）针对复杂工业过程中难以精准感知过程动态特性,导致漏报、误报现象严重的问题,提出了一种基于关键性能指标驱动的慢特征分析算法（Key Performance Indicator-Driven Slow Feature Analysis,KPI-Driven SFA）的运行状态评价方法。通过KPI-Driven SFA算法,实现工业过程静-动态特性协同感知,以及运行状态信息的深度提取,利用特征信息的相似度以及一阶差分信息的相似度完成对过程稳态和过渡的评价,在此基础上给出基于静-动态特性协同感知的运行状态评价的统一框架,实现过程运行状态实时评价与演化趋势实时监测,有效减少误报、漏报问题。当运行状态非优时,提出一种基于稀疏学习的非优因素识别方法,基于低质量过程数据实现非优原因变量准确识别,降低无关变量影响,提高识别结果的可解释性。最后,通过采集的重介质选煤过程实际生产数据,验证了所提方法的有效性和实用性。（2）现有运行状态评价方法主要通过检测与各个状态之间的中心距离判断当前过程运行状态。实际上,运行状态的潜在变化主要体现在特征的时序相关性,而现有研究中尚未充分研究状态潜在变化的时序相关性。为此提出了一种基于监督概率慢特征分析的运行状态评价方法,通过探索最优状态的概率分布来评价过程运行状态。首先,将慢特征以状态空间形式演化,有效地表示状态的潜在变化。然后,进一步挖掘慢特征的多阶动态信息,设计多阶动态指标,表示过程变化速度和加速度。所提方法提供了状态变化潜在驱动力的显式表示,并对从最优到非优的每个阶段提供了有意义的物理解释。此外,通过重构卡尔曼滤波在线估计和使用Group Lasso来识别非优原因变量。最后,通过田纳西-伊斯曼过程验证了该方法的可行性和有效性。（3）在当前的运行状态评价研究中,由于过程往往具有时变特性,导致过程变量出现非平稳行为,这对准确识别运行状态提出了重大挑战。为此本文提出了一种基于非平稳监督概率慢特征分析的运行状态评价方法,通过对线性可分系统平稳性检验,建立恒定自回归模型,解决了状态变化过程中概率模型对转移概率的依赖,有效地表示了非平稳过程内在变化特性。然后,在非平稳过程数据特性基础上,设计非平稳动态指标和平稳动态指标,及时反映过程状态变化,并进一步丰富了过程状态的物理解释。通过重介选煤过程仿真平台验证了该方法的可行性和有效性。该论文有图26幅,表8个,参考文献78篇。