主元分析PCA方法是一种被广泛应用的过程监测方法。它能够从高维数据中提取出最主要的信息,实现数据的降维,从而简化分析过程,实现对过程的有效监测。对于实际工业生产过程,尤其是化工生产过程,保证生产过程的安全可靠至关重要,有效的过程监测可以让生产过程更安全、操作更可靠、效率更高。介于主元分析方法的诸多优势,将此方法及其改进算法运用于工业过程中来实现有效的过程监测是一个富有挑战性的研究方向。本文首先对传统的主元分析方法进行研究,并分析传统主元分析方法的优缺点。详细介绍各种常用的主元提取方法,尤其是应用最广泛最具代表性的累积贡献率CPV法,详细分析各种方法的局限性。在原有主元提取方法的基础上,本文中提出了一种新的阈值法来自适应提取主元,通过数学模型与标准TE过程仿真实验,充分验证了所提出方法的有效性。随后,介于传统PCA方法的局限性,文中详细阐述了两种自适应主元分析方法——递推主元分析和移动窗主元分析,并在两种方法的基础上结合文中所提出的阈值法对原算法进行一定程度的改进,提出了两种基于阈值法的改进算法——基于阈值法的改进递推主元分析和基于阈值法的改进移动窗主元分析。通过数学模型与标准TE过程仿真实验,验证了两类改进算法的有效性。最后,介于传统的PCA及自适应PCA方法均为单尺度建模,不能实现多尺度分析的缺点,文中详细研究了多尺度主元分析算法。在Mallat算法的基础上,实现对信号的多分辨率分析,从而实现多尺度建模。在传统的多尺度主元分析的基础上,结合阈值法及移动窗在线小波分析的思想,本文中提出了基于阈值法的多尺度自适应主元分析算法。通过数学模型与标准TE过程仿真实验,证明了所提出的改进算法的有效性。