随着生产过程自动化程度的不断提高,大量的过程数据被不断的采集和保存下来,操作人员的工作也逐渐从常规控制转移到对过程的监控和管理。被采集和保存下来的数据反映了过程的运行状态和趋势,然而面对海量的数据,即使有经验的操作人员也很难准确的区分正常和异常工况,特别是在故障发生的早期。解决上述问题的方法可以分为两个步骤,首先由过程数据构造少数监控变量,根据监控变量的统计特征来监视过程的运行状态;然后当检测到过程异常时,再诊断过程异常数据,找到导致过程异常的原因,指导过程操作。在本论文中,采用SVDD(Support Vector Data Description)方法对过程数据进行建模实现过程异常检测,采用专家系统的方法对过程异常进行诊断。主要工作内容如下:　　 论文针对SVDD算法在对过程数据进行建模的过程中时间复杂度过高的问题,提出了一种基于过程趋势信息的非均匀数据采样方法,该方法有效的降低了SVDD训练时所需的数据集大小,同时为了有效的提取过程数据中的关键样本,本文提出将每次训练时所产生的支持向量和测试时的错分样本相结合构造最终的模型训练数据集,在不降低SVDD模型的分类性能的条件下,有效的减少了训练的时间复杂度。　　 针对SVDD算法难以定位过程异常的问题,采用决策树算法分析SVDD标定的过程异常数据和正常过程数据的差别,辅助操作人员定位过程异常的位置,同时将决策树与SVDD异常检测结合生成过程异常规则,通过人工分析,提取诊断规则,建立专家系统诊断知识库。　　 针对在实际用专家系统的方法进行过程异常诊断时,专家系统的知识库需要频繁更新的问题,本文开发了一个专家系统编程语言CLIPS的接口程序,程序将输入的产生式规则自动转化为可执行的CLIPS代码。同时针对CLIPS不支持反向链规则的问题,提出一种基于消息处理机制的反向推理方法。本文中分别在TE过程仿真平台和某合成氨粗煤气变换工段上验证了本文所提方法的有效性和实用性。