随着现代经济的快速发展和工业模型的不断扩大,工业过程的复杂性不断提高。对产品质量的需要越来越高。生产安全问题已经受到越来越多的关注和重视。复杂工业过程的检测已经成为现代工业发展的焦点。基于数据驱动的过程检测技术已被广泛应用到工业领域。本文在前人工作的基础上,开展了基于多流形的半监督核线性判别分析算法,基于协同建模的流形降维算法以及基于协同建模的半监督线性回归算法的研究与应用。主要研究工作如下:考虑到监督方法中标记样本获取困难的问题,为充分挖掘未标记数据的潜在信息,本文提出基于多流形的半监督核线性判别分析算法。在缺少带标签样本的条件下该方法能够有效利用未知标签样本指导学习过程。此外,相比传统的基于流形的方法,该方法将样本的标签信息引入流形的构建当中。不仅能够保持数据的局部结构信息不变,同时充分考虑了样本的整体信息,能够构建更为精细的流形结构。由于电熔氧化镁过程的特殊性,在该过程中能检测到的传统物理变量十分有限,如果仅利用电流变量进行建模会造成信息提取不充分从而导致模型对电熔氧化镁过程故障诊断效果不佳。而如果仅利用采集到的图像数据进行建模在特征提取时又会遇到人工选择特征的问题。因此需要将电熔氧化镁过程中采集到的图像数据和电流数据联合起来进行建模。本文提出基于基于协同建模的流形降维算法,该方法能够有效结合图像数据和电流数据进行数据降维。第四章是一种无监督的降维方法,无法直接进行分类。为了解决这个问题,第五章在第四章目标函数的基础上加入回归函数。相比上一章算法,本章算法可以有效利用样本中的标签信息,直接对样本进行分类。最后将本文提出的算法用于电熔氧化镁过程进行仿真分析,并对它们的故障检测性能进行了检验,与一些传统方法进行对比验证了本文所提方法的可行性和有效性。