随着计算机技术在工业过程控制中的广泛应用，大量的过程数据被采集并存储下来，但是这些包含过程运行状态信息的数据并没有被有效地利用，以致出现了所谓的“数据丰富，信息匮乏”的现象。本文以多变量统计过程控制领域为研究背景，从这些存储的数据中挖掘出过程运行的深层次信息，充分利用这些信息进行过程建模和故障诊断。 在过程建模方面，本文利用九十年代中期发展起来的新技术——支持向量机(SVM)进行回归建模。作为一种基于统计学习理论的学习机器，支持向量机表现出良好的泛化能力和学习性能。对于轧钢加热炉这样一个工艺过程复杂，具有非线性和滞后性特点的系统，本文通过仿真研究表明，支持向量机对出炉钢温建模表现出很好的逼近能力，可以满足工程精度要求，达到了对出炉钢温进行预报的目的。 在故障诊断方面，本文提出了一种基于独立成分分析(ICA)与支持向量机(SVM)对系统性能进行监控的整体框架。这一框架包括两个方面： (1)通过ICA进行特征提取，对监测系统进行降维，得到主要特征统计量。利用核密度估计方法确定控制限，从而建立起在线监测模型。 (2)利用SVM训练多故障分类器，当监测到故障发生时，通过SVM故障分类器检验确认是否为故障，并且辨识出是哪一类故障。 通过对三容水箱系统的仿真研究，证明该系统框架具有良好的监控性能，可以获得比较理想的故障诊断结果。 最后，在总结全文的基础上，提出了有待于进一步研究的方向