随着工业过程自动化水平及系统集成水平日益提高,一方面,生产设备之间的关联性、变量之间的耦合性增强,使得过程中出现的异常可能会给后续生产带来巨大影响,一个安全、稳定、可靠的过程监测系统是必要的；另一方面,由于现场总线技术和集散控制系统的应用,使得工业过程中的大量生产数据被保存到数据库,如何将这些数据中隐含信息应用于企业的过程监测,成为近年来研究的热点。独立成分分析(Independent Component Analysis, ICA)由于不受高斯分布的限制,在实现时利用了随机变量的高阶统计信息,因此,基于该方法的过程检测成为了多变量统计过程监测的有效方法。本文提出一种基于混合高斯模型的独立成分分析算法,并将其应用于工业过程监测。考虑到实际生产过程中的多工作点特性和快速独立成分分析存在着对初值依赖性较高的不足,引入混合高斯模型度量随机变量特性,并采用差分进化算法求解各独立成分分量,消除了快速独立成分分析算法对初始值的过度依赖。最后,将求得的独立成分按照负熵值大小排序进行取舍,采用平方预测误差(Squared Prediction Error, SPE)统计量实现对工业过程的监测。为了表明本文所提方法的有效性与可靠性,以选矿流程中的半自磨工业过程为背景,采用生产过程中的实时数据,分正常工况和异常工况进行仿真实验,并与基于主成分分析、快速独立成分分析的过程监测方法进行对比。实验结果表明本文所提基于混合高斯模型的独立成分分析在工业过程监测中具有较高的可靠性与稳定性。