随着生产发展的现代化与科学技术的不断进步，促使大型设备的结构复杂化，功能完善化，故障发生的可能性及严重程度也随之增加，故障检测与诊断技术的研究已成为系统安全性及可靠性的重要保证。复杂工业过程的精确数学模型是难以建立的，而数据驱动的故障检测及诊断方法是基于过程数据分析，通过数理统计方法提取海量数据之间的隐含信息以完成故障检测及诊断。本文以TE过程中的高复杂性、非线性、动态性、及噪声干扰问题为对象，研究基于数据驱动的故障检测及诊断方法及改进方法，并通过仿真实验进行了具体的可行性分析。首先对主元分析、核主元分析进行了深入的研究，并对其具体算法及其实现条件进行了推导。介绍了小波包理论，并通过与小波分析的分解与重构方式对比，得出其在处理信号高频细节信息的优势。其次，针对实际工业过程数据的带噪问题提出了基于最优基小波包去噪的方法，通过小波包对所采集数据进行高低频的多层分解，最大限度保留原始信息并剔除噪声信号。使得故障检测的漏报率及误报率明显降低。并针对实际系统的非线性问题，提出了最优基小波包去噪的核主元分析方法，并给出其具体的操作流程。将其应用于TE过程，通过对PCA、KPCA，及小波包去噪的KPCA三者Q统计量的分析，并通过累积方差贡献率图对比，验证该方法的优越性。最后，针对传统主元分析在处理非线性和动态过程中的缺陷，将指数加权自回归统计模型融入到核主元模型中，采用等步长数据实时更新的方法，利用更新后的数据重新建立核主元模型，并引入加权因子，将新核主元模型和旧核主元模型共同构造具有动态自适应特性的诊断模型，对其建模并给出具体应用步骤。通过TE过程仿真，选取不同加权因子进行分析，并与传统KPCA法对比，验证该方法的有效性。