随着现代工业的不断发展,工业过程不断趋于大型化、一体化,如果某一部件发生故障,就可能影响整个生产过程,造成难以估量的经济损失甚至危害人身安全。因此,在日常工业生产过程中,需要对系统进行实时故障检测,通过故障检测技术确定系统的故障源与故障类型,以便进行故障消除,以此来保证工业过程安全有效的运行。基于数据的故障检测方法由于不依赖特定的数学模型,仅仅依靠工业过程中产生的大量历史数据进行分析便能很好的检测出工业过程中出现的异常状况,因此得到广泛应用。本人在前人工作的基础上,针对电熔氧化镁工业流程,提出了基于投影非负矩阵分解的故障检测算法、基于跨模态数据联合的故障检测算法以及基于跨模态数据判别信息的故障检测算法。本文主要研究工作如下:（1）在现有投影非负矩阵分解算法的基础上,提出了基于投影非负矩阵分解的多视角故障检测方法。该方法将投影非负矩阵分解算法应用到多视角数据中,保持多视角数据的一致性和互补性,同时考虑工业数据的非高斯性,提出两个适合该方法的监控统计量,然后利用核密度方法估计统计量的控制限,以此来在线检测工业过程中发生的故障。（2）针对工业过程中采集到的数据呈现多元化、异构化的特点。提出一种基于跨模态数据联合的故障检测方法,通过将不同模态的数据降维到共享语义空间中,消除跨模态数据特征异构的特点。同时利用流形学习的方法,将不同模态数据进行联合建模,使得不同模态数据之间相互补充,针对非线性数据,引入核方法对数据进行处理,最后利用SVM分类器对数据进行分类,以此来完成故障检测的目的。（3）考虑到基于跨模态数据联合的故障检测方法中只利用流形学习进行联合建模,学习到的信息可能比较单一。本部分提出了一种基于跨模态数据判别信息的故障检测方法,将跨模态数据降维到共享子空间中,同时保持不同模态数据模态内部和模态间的相似性关系,使得跨模态数据进行联合特征选择,并且利用数据的判别信息,使得相同类别的样本表现出强聚集性,不同类别的样本具有较强的强差异性。最后利用SVM分类器对数据进行分类,以此来完成故障检测的目的。最后将本文提出的算法应用到电熔氧化镁工业过程中,并针对该过程中的数据进行仿真分析,分别与一些传统方法进行对比,验证了本文提出的算法的可行性,为实际工业生产故障检测方法的选择有一定的借鉴意义。