随着DCS和计算机技术的广泛应用，大量过程数据得以采集和存储，如何利用多元统计理论从中挖掘出过程运行的深层次信息从而提高过程监控的能力，成为目前过程控制领域的一个重要研究方向。本文以连续生产过程监控为背景，针对过程变量之间存在的非线性和统计相关性，研究了一种基于改进核Fisher判别的故障检测方法，并在基于核基特征提取的故障诊断中引入一种核参数寻优算法，论文以连续聚合反应CSTR为研究对象，针对不同的扰动情况进行了具体的分析和仿真。论文在基于Fisher判别分析（FDA）方法的故障检测基础上，针对过程变量之间的非线性特性，引入核函数，研究了基于核方法的改进算法KFDA，基于KFDA的故障检测方法通过将数据映射到高维特征空间有效的将非线性数据进行分离，可以减小故障数据的漏检率。驱动过程的关键变量往往是少数不可测的独立变量，为了提取这些关键独立的变量来建立更准确的模型，本文在非线性FDA方法中引入独立元分析模块，给出了基于ICA_KFDA的连续过程故障检测方法，先通过ICA模型来提取独立变量，然后在此基础上采用核FDA模型对过程进行监控。对CSTR的仿真结果表明，与基于FDA和核FDA的故障检测方法相比，ICA_KFDA方法进一步减小了故障数据的漏检率。同时，针对监控过程中构造的距离统计量分布形式未知的情况，采用了核密度估计的方法计算用于故障检测的控制限。故障源的分离是建立在故障检测基础之上，本文对基于Fisher特征提取的故障数据降维和诊断方法予以改进，研究了核基特征提取的故障诊断方法，解决了数据在高维空间的线性可分性，并引入一种无约束非线性规划算法来获得最优的核参数，保证故障数据在映射空间获得最好的分离效果。最后在提取的特征空间中，分别采用距离和相似度两种判别方法获得诊断结果，对CSTR的仿真结果表明基于非线性FDA方法所提取的特征更易于分类。