由于现代工业系统规模增大,系统变得日益复杂,人们对工业生产过程的安全性及可靠性等提出新要求。工业过程的复杂性主要表现为过程变量间耦合性大,过程数据具有非线性、非高斯性,及运行过程多模态。基于此,工业过程的故障检测与诊断应运而生。多元统计分析作为数据驱动方法的重要分支,它不需要构建过程的精确物理模型,仅仅通过分析变量间的相关性完成过程监测,在冶金、化工及制药等工业过程领域得到广泛应用。本文基于多元统计分析方法,研究具有非线性、非高斯性及多模态特性工业过程的故障检测与诊断,主要完成了以下几个方面的工作。以多元统计分析方法中独立元分析和Fisher判别分析方法为例,介绍了其应用于工业过程故障检测与诊断的基本原理,基于该方法建立TE过程的故障检测与诊断模型。通过分析仿真实验结果,指出影响其性能的主要原因,引出解决思路。针对工业过程数据的非高斯特性,提出一种基于故障特征选择核独立元分析和支持向量数据描述的故障检测方法,以提高故障检测性能。在正常工况下,利用核独立元分析提取独立元,并计算相应统计量。根据故障发生时刻过程数据的独立元分量统计量相对于正常工况独立元统计量的偏离程度,选择出重要独立元,赋予较高权值。将选择加权后的独立元统计量作为支持向量数据描述的输入,通过计算新的统计量与控制限,实现故障检测。数值过程和TE过程的仿真验证了该方法的可行性和有效性。由于实际工业过程通常运行在多个模态,针对多模态过程,实现其故障检测与诊断主要分为模态识别、故障检测与故障分类。本文通过核密度估计方法估计在线独立元接近正常工况独立元的概率密度,对模态进行识别。在相应模态下基于改进核独立元分析完成故障检测。并利用核局部Fisher分析对处理具有不同分布数据类的分类问题有优势,实现多模态下正常数据与多种故障数据的分类。数值过程与TE过程的仿真实验,从模态识别、故障检测与故障分类几个方面验证了该模型的优越性。