随着计算机技术与仪表技术的迅速发展,它们已经普遍应用于工业过程中,大量的工业生产过程数据被存储下来,因此,基于数据驱动的过程监测和故障诊断方法得到了广泛研究和应用。在磨矿分级生产过程中,由于生产过程的复杂性和不确定性,传统的过程监测方法很难准确的监测出故障。对此,本文在分析研究现有的过程监测方法的基础上,结合现代磨矿分级过程已普遍采用计算机与仪表技术的实际情况,充分的利用生产过程中的监测数据和专家知识,展开了半监督学习的磨矿分级过程监测方法的研究,主要研究内容包括:（1）首先对过程监测方法进行了总结,其次研究数据驱动过程监测方法的研究现状和发展趋势,着重分析了机器学习过程监测方法的基本原理和存在的问题,提出了本文的研究方法。（2）本文针对传统的基于图半监督学习方法为直推式方法,不能直接预测新来数据的标记信息,实时性差问题,本文通过引入带有线性映射函数的稀疏特征选择框架,提出了一种归纳式的过程监测方法。在构图时,对于图Hessian正则化含有丰富的零空间,可以使函数值随着测地距离线性变化;并且,可以更好保持数据样本的局部流形结构,使其有更好的推测能力,该方法利用大量监测数据和专家知识,通过基于图半监督学习建立监测学习模型。该方法不但可以准确的监测出故障,还可以直接判断出故障的类别。（3）在实际的磨矿分级生产过程中,由于生产设备故障、传感器灵敏度失效以及人为操作失误等原因,将造成生产数据中含有大量的噪声,将会严重的影响监测效果。本文针对这一情况,提出具有噪声鲁棒性的半监督学习过程监测方法。该方法通过对样本数据和预测标记矩阵进行低秩表示,从中削减甚至去除数据中的噪声信息,提取公共低秩表示矩阵。结合半监督学习方法,求解磨矿分级生产过程数据样本的预测标记矩阵,从而判断磨矿分级生产过程的运行状态。（4）利用实际选矿厂的磨矿分级生产过程数据进行仿真,验证了上述方法的实用性和有效性。