间歇过程是现代过程工业中的重要生产方式,社会对这方面的投资也越来越大,一旦发生事故,不仅会影响工业过程的可靠运行,甚至会对生活环境产生巨大的影响。如何采用多变量统计过程监测方法对间歇过程进行有效的监测,及时的发现并消除过程中存在的故障,越来越受到业界的关注。本论文对间歇过程多变量统计监测方法的研究现状进行了系统的分析和评述,结合间歇过程的基本数据特征及多时段特征,以单批次数据为主进行间歇过程多时段统计建模与过程监测方法研究。首先对间歇过程及其监测方法进行了介绍。在阐述主元分析方法(PCA)、动态主元分析(DPCA)、核主元分析法(KPCA)等多元统计方法基础上,分析了各个方法的特点和优势。考虑到间歇过程单批次数据的动态性、非线性等特征,着重分析了上述方法综合而成的动态核主元分析(DKPCA)方法。其次,针对间歇过程往往具有阶段性,不同的操作阶段的数据动态特性不同,同一个操作阶段的变量也往往具有高度非线性；对于现在已经成熟的多批次建模方法,过程数据获取困难,多批次建模数据较大,比较复杂等问题,本文提出了两种基于单批次数据的多时段间歇过程监测方法。一是针对先验知识比较丰富的间歇过程,提出了基于滑动窗口的DKPCA过程监测方法。为了提高监测的准确性,基于分段思想对过程进行多时段划分建模。在本方法中,以单批次数据为基础,先设置滑动窗口,对每个窗口进行DKPCA分析,后比较相邻窗口的负载矩阵的相似度,把相似度大于0.85的归为一个时段,实现间歇过程时段的划分与建模。二是对于没有先验知识或者先验知识不够丰富的间歇过程,提出了基于遗传算法的DKPCA多时段间歇过程监测方法。在本方法中,通过优化SPE最小来确定各个时段的长度和KPCA的核参数,最终获得各个时段的优化DKPCA监测模型。最后,针对提出的过程监测方法,采用青霉素发酵过程进行仿真验证。结果表明,提出的方法是有效的。