随着时代的发展与技术的进步,人们对于过程的安全性以及产品的质量需求逐渐增强,基于数据的状态监测受到更多的学者关注与研究,其中拥有诸多优点的多变量统计分析算法备受青睐。本文主要基于统计方法中典型相关分析算法做出一些改进工作,典型相关分析的优化目标为寻求一对转换向量使得过程变量的线性组合与关键性能指标的线性组合之间的相关性最大。然而典型相关分析只考虑变量与投影向量间的线性关系,且在应用于状态监测时也无法判断发现的异常是否会影响到关键性能指标如产品的质量等。以工业过程为应用对象,本文的主要工作总结如下:（1）本文首先是总结了前人有关于状态监测的研究工作,并详细介绍了典型相关分析的算法原理、求解思路以及其如何应用于状态监测。（2）其次为了应对工业过程中常见的非线性特性,本文提出了一种神经网络与典型相关分析从原理上结合的新的非线性状态监测方法,另外还给出了所提网络参数更新的策略以及详细的推导表达式,并通过一个构造的数值例子、经典的工业仿真过程和真实工业过程的故障案例说明了所提方法的可行性。（3）最后考虑到生产过程中最终的产品质量要求问题,则需要对过程中检测出来的异常进行分类,即会不会影响到关键性能指标,本文基于核典型相关分析提出了一种划分过程变量空间的关键性能指标状态监测方法。首先针对描述的核典型相关分析的问题进行改进,之后对求解得到的相关性矩阵运用广义奇异值分解法来达到过程变量空间划分的目的,并通过仿真验证方法有效性。