随着现代工业过程规模不断扩大、复杂度不断提升，传统的对于每个过程变量进行单独实时监控是不可行的。一旦过程发生故障，会导致与之相关的变量发生波动，从而对生命和财产安全带来极大的威胁。对于庞大而复杂的工业过程，对其建立精确的解析模型变得越来越困难。近些年，由于集散控制系统被广泛应用，大量的过程数据被记录和存储，基于数据驱动的过程监控方法得到了快速发展。　　现代工业过程所产生的数据往往包含很多过程信息，如何对这些信息进行有效提取是本文的一个研究重点。传统的过程监控方法只针对于过程变量建立监控模型，对于不能实时得到的过程输出变量研究的还比较少，这些所关注的输出变量被称为过程性能指标，一般包括产品质量、过程成本、能耗等。如何对这些性能指标建立合理的监控策略是本文另一个研究重点。本文的研究工作主要体现在以下三个方面:　　(1)针对数据信息冗余问题，本文提出了序列低秩嵌入(Sequence Low-Rank Embedding，SLRE)算法，复杂现代工业过程所采集到的数据往往包含过程噪声、数据间存在冗余，SLRE算法经低秩表征(Low-Rank Representation，LRR)对数据进行降噪和去冗余处理，把数据的主要信息集中在一个低秩特征空间。该算法不仅保持了数据低秩全局结构，同时通过计算样本间相关系数构造加权矩阵使得数据间的局部信息得到保留，利用嵌入算法对数据进行降维处理，构造相应过程的统计量，并利用核密度估计(Kernel Density Estimation，KDE)方法来估计控制限，最终应用于故障检测领域。　　(2)针对数据特征选择问题，本文提出了字典学习策略，根据所需要的数据特征，采取不同的字典学习策略。字典被用于数据的低秩分解中，根据字典学习得到的映射矩阵可将数据分解为低秩系数矩阵和稀疏残差项两个部分。稀疏残差项被认为是数据的噪声信息，因此可以忽略此项;低秩系数矩阵则包含了数据中所要保留的数据特征，通过利用所得到的低秩系数矩阵构造统计量来实现故障检测。　　(3)针对过程性能指标监控问题，本文设计了一套简明合理的监控策略。首先，根据回归系数对过程变量进行划分，将其划分为性能指标相关和无关两个部分;利用相关部分对过程性能指标建立回归模型。在线监控时，根据所获得的在线采样点带入到回归模型，判断其输出的性能指标是否在正常范围，如果在正常范围内，则认为整个过程处于正常工况;否则需对挑选出的相关变量建模做进一步分析来最终确定过程是否发生了与性能指标相关的故障。所提出的监控策略简化了监控逻辑，能够更好地应用于过程性能指标相关的过程监控中。　　最后本文通过数值用例、田纳西—伊斯曼(Tennessee Eastman，TE)过程和连续搅拌釜(Continuous Stirred Tank Reactor,C STR)过程验证了所提算法和策略的有效性。