在现代工业生产过程中，保障生产安全和减小产品质量波动一直是企业在竞争中追求的两大目标，也是工业过程监控的目的和动机。多变量统计过程监控技术历经三十多年的发展，已经取得了一系列令人瞩目的成果，并在现代过程工业中得到了广泛的应用。它通过密切地监督生产过程的运行状态，不断地检测过程的变化和故障信息，从而保证生产过程安全运行，提高产品质量和经济效益。 然而，传统的统计过程监控方法如主元分析法(Principal Component Analysis，PCA)、偏最小二乘法(Partial Least Square，PLS)及其变异形式均假定过程采样值满足独立同分布(identical independent distribution，iid)的条件，而从实际生产过程中得到的数据往往具有一定的自相关性，基于iid假设的“静态”投影法不能反映系统的动态变化。规范变量分析法(Canonical Variate Analysis，CVA)是在最优的统计推理原理上发展起来的，并且已证明能达到最优的统计精度。它的基本思想是将两个变量集间的相关度最大化，即将历史数据集和未来数据集问的相关度最大化，在过去和现在状态的基础上，提供对未来输出的最佳预测。将CVA算法引入到过程监控领域，更能从本质上刻画过程数据的特征。 本文以规范变量分析算法为主要数学工具，研究了该算法在过程监控中的应用，主要工作如下： 1．将CVA方法应用于系统的过程辨识，从本质上证实了该方法在解决强自相关时的有效性，为CVA用于监控含强自相关的过程打下基础。 2．针对一个含有强自相关的实际化工过程，引入CVA算法对其过程进行监控，并与PCA方法监控的效果作了比较。仿真研究证明了所提方法的有效性和优越性。 3．针对在工业系统的数据采集过程中往往不可避免的会有数据遗失的现象，提出并推导了基于CVA的遗失数据重构公式，并通过仿真验证该结论。 4．提出一种改进的基于CVA的故障诊断方法，通过对Tennessee-Eastman过程进行的仿真研究表明，这种方法不仅能实现对过程故障的检测，而且能有效的识别出引起故障的过程变量，结合工艺流程能够初步诊断出故障原因。