为了提高经济效益、产品质量和减少能耗与排放,需要确保过程安全、稳定地运行,其中工业生产过程的安全问题尤为重要。过程故障和报警泛滥是造成产品生产效率低下甚至产生安全事故的重要原因。然而,实际工业过程采集的数据特性复杂,具有强非线性、非高斯性的特点,对传统基于数据分类的过程监控提出了巨大的挑战;同时,现有报警系统效率低下,报警泛滥易导致工业事故发生,如何抑制报警溢流,减少异常传播引发的后续报警,也是当前亟待解决的问题。为此,本文从实际工业需求出发,分别针对现有的数据分类算法和数据挖掘算法进行改进,并将其应用于工业过程故障诊断和报警合理化设计中,确保工业过程安全运行。针对实际工业过程数据复杂,强非线性和非高斯性的特点,提出了一种新的非线性参数降维技术(参数t-SNE),提取工业故障数据的特征并建立故障分类模型,其中定义了参数优化指标,确定模型最优参数,并利用k近邻分类算法(KNN)对提取的特征进行计算,实现高准确度的最优故障分类。与传统的费舍尔判别分析(FDA)和局部线性指数判别分析(LLEDA)等故障分类方法相比,该方法在降维过程中将高维故障数据的非线性信息保留在低维特征空间中,在识别非高斯非线性工业故障数据时只需要少量数据特征,因此具有聚类精度高、不确定性小等优点。为解决异常连续传播引发后续报警导致的报警泛滥问题,提出了一种改进的增量因果模式挖掘算法,有效挖掘导致报警泛滥的频繁报警模式。根据异常传播引发报警的时序和时延特性,重新定义报警事件和具有因果关系的频繁报警模式,引入时间约束改进前缀投影模式增长算法,大大提高了因果报警模式挖掘的有效性。同时,为提高该方法的在线应用效率,给出了一种增量挖掘策略,无需重新扫描整个更新数据库即可动态更新报警模式。该方法有效识别出频繁报警模式,指导操作员分析报警优先级,抑制初始报警所引起的后续关联报警,一定程度上解决报警泛滥问题。通过MNIST数据集实验、合成数据集、TE过程故障数据和青霉素发酵过程故障数据验证了本文提出两种方法的有效性。