本文研究的主要内容是将PCA技术运用于间歇过程多模式的划分及控制器的性能评估。间歇过程生产的往往是一些复杂、精细的产品,其整个生产过程需要多个操作模式的控制才能完成,如何正确的区分各个模式以及各模式之间的过渡阶段是非常重要的；划分好模式后,每个模式往往又存在多种控制器的设计方法,要选用控制性能更好的控制器就要对每个控制器进行性能评估。首先,介绍了当前工业过程中常用的多变量统计方法,其中主要介绍了PCA方法。因为PCA只能处理多元正态分布的情况,在有部分变量不服从正态分布时,单独采用PCA不能很好的解决问题。本章提出了PCA结合ICA的改进方法来处理这种情况,最后通过仿真验证了该方法的正确性。然后,介绍了多模式间歇过程的模式辨识及划分。首先介绍了当前主流的多变量统计方法及多模式间歇过程的划分方法。传统的多模式间歇过程划分方法要么无法实现软划分,要么过于复杂,不利于在线应用的快速性要求。结合以上问题,提出了一种新的基于PCA的多模式间歇过程划分方法。先是利用PCA对三维间歇数据矩阵沿时间轴建立K(表示K个采样时刻)个PCA子模型,然后把主角度这一比较子空间相似度的方法移植到主元模型的比较当中来,把整个间歇过程划分为不同的稳定阶段(即模式)和过渡阶段。仿真结果表明了该方法的有效性和实用性。最后,是控制器的性能评价方法。介绍了当前应用较广泛的最小方差基准,最小方差准则对控制系统的性能分析提供了一个的参考基准,仅需要过程的常规操作数据和时间延迟特性。然而最小方差准则对输出变量有强相关性时,评价结果并不理想。根据PCA技术能够降维、消除相关性的特点,提出了一种基于PCA的最小方差的评价指标。在这一新的评价基准上,进一步对同一模式存在多个控制器设计方案的情况进行性能评估,最终选用性能优秀的控制器进行控制。通过matlab仿真,验证这一方法的有效性。