随着现代科学技术的进步，工业生产流程变得更加复杂的同时，对生产的持续性、高效性和安全性提出了更高的要求，因此，如何有效对生产过程进行监测，及时地发现异常工况成为相关研究的热点问题。近年来，基于数据的方法由于其低成本、可实现性强等优点已经广泛应用于生产实践中。本文在前人工作的基础上，提出了基于流形正则化和相似性度量的算法和基于异构数据协同的算法的研究与应用，主要研究工作如下:
　　(1)在实际工业过程中，由于标记数据样本获取困难，存在大量未标记数据，并且在未标记数据中部分不同类别的边缘分布数据相似度较高，很难进行区分。为了解决此问题，提出了基于流形正则化与相似性度量的过程监测方法。此方法根据半监督方法的流形假设，通过最小化样条回归的正则化损失获得所有未标记样本的初步预测标签，然后找出其中分类效果较差的边缘分布数据，对这些数据进行进一步相似性度量，得到更加准确的诊断结果。最终应用田纳西-伊斯曼化工过程进行仿真分析，验证了所提方法的可行性和有效性。
　　(2)由于生产环境的限制，在某些生产过程中可测的物理化学变量个数较少，导致其包含的信息量不全面，无法准确地反应其生产状态。基于这个问题，本文提出基于异构数据协同的过程监测方法。在基于物理化学变量监测的基础上，加入视频数据进行协同建模，通过加入保持流形局部结构及数据间的相关性的约束条件来保证提取出来的低维向量包含更加全面准确的状态信息。最终将该方法应用于氧化镁生产过程的监测过程中，取得了不错的效果。