对工业过程进行监测的目的在于及时有效发现生产过程的异常情况、保证生产安全、提高产品质量和降低生产成本。近年来,流形学习方法成为研究热点并被广泛应用,在这些方法中,局部线性嵌入(LLE)由于保持局部结构特性信息得到广泛应用。然而,由于很多工业过程具有非线性和多模式性,这样就限制了局部线性嵌入(LLE)的应用。本文在前人工作的基础上,开展了基于质量核局部线性嵌入(QKLLE)和迭代自组织数据分析,全局质量核局部线性嵌入(ISODATA-GQKLLE)子空间分离的多模式过程监测方法的研究,主要研究工作如下：1.实际工业过程数据除了具有非线性外,还可能具有多模式性。传统多模型建模方法应用于多模式工业过程未考虑模式间的特性关系,并且随着模式的增多建模工作繁重,影响监测的准确性。根据复杂工业过程数据具有多模式性和非线性,传统多模型建模方法的不足和实际工业过程中往往最关心过程质量变量的变化,提出了基于质量核局部线性嵌入(QKLLE)的子空间分离方法应用于多模式工业过程监测。该方法首先根据过程特性对多模式过程进行粗略划分,然后分离各模式的全局公共子空间和局部特殊子空间,最后利用各统计量对各子空间进行联合监测。该方法考虑模式间特性关系和全局公共子空间与质量变量的关系,使全局公共子空间反映各模式输入数据变量的局部结构信息并对质量变量具有解释能力。利用此方法进行的多模式过程监测的实验结果表明该方法不仅能大大降低误报警和漏报警,还提高了故障检测的准确性。2.考虑到模式划分未知或先验知识不足的多模式过程需要更合理的模式划分和QKLLE未考虑输入数据变量的全局结构信息等问题,对QKLLE方法进行了改进,提出了基于迭代自组织的数据分析,全局质量核局部线性嵌入(ISODATA-GQKLLE)子空间分离方法应用于多模式工业过程监测。该方法扩展了QKLLE方法对不同多模式过程的通用性。将此方法应用于实验实例中,取得了较好的检测结果,证明了该方法的有效性和可行性。3.在总结本文研究工作的基础上,提出了有待进一步研究的问题。