随着现代工业及科学技术的发展,现代工业过程规模的不断扩大,系统结构日益复杂。同时检测技术与计算机技术的不断发展以及其在工业过程中的广泛应用,使得过程的数据信息规模越来越大,如何对这些多源异构数据协同处理是大数据工业时代急于解决的问题。而且对于冶金、化工等流程工业,其运行过程复杂,工况多变,有时是很难断定故障的发生发展过程的,原有的基于数据的方法很难满足对工业过程中故障早期的监测。针对以上问题本文主要做了以下研究:（1）提出一种修正聚类的半监督分类故障检测方法。主要针对于传统聚类的缺陷,通过修正的聚类假设,即假设相似数据共享相同的类别成员资格特征信息,同时考虑数据的邻域信息,并将标记数据和未标记数据结合起来,得到更加符合实际工业过程的故障检测方法。利用此方法进行的过程监测结果表明,该方法对比于传统聚类半监督方法在故障检测上具有更加优越的性能。（2）提出一种修正聚类的半监督KPCA对于早期故障的智能故障监测方法。主要针对于工业早期故障难以发现和判定的问题,同时考虑数据的本身分布信息和数据类别标签信息,并采用修改的聚类假设,即假设数据同时具有两种类别特征信息,运用修正聚类的半监督KPCA方法,进行改进而更适用于早期工业过程故障的诊断。利用此方法进行的过程监测结果表明,本方法的对早期故障的故障检测的准确性和有效性。（3）提出了一种抽象数据集合窗口的概念,用以选取数据,之后在窗口中进行多任务的划分来对多源数据进行充分处理。这为统一建立生产过程的物理化学变量和图像声音视频的大数据池提供了可能。提出一种多源异构数据协同的多任务处理故障检测方法,这是一种针对于大规模工业数据多来源异构数据的统计处理框架。通过采集的传统数据和多媒体流异构数据进行统一建模,提出多源异构数据协同的多任务逻辑回归处理模型。采用改进的Nesterov’s方法,在欧几里德空间中进行投影的梯度下降求解出多任务模型。最后采集工业现场的视频数据和传统的电流、电压、频率数据,对方法进行结果验证,证明了本文方法的有效性。（4）总结了本文的工作,并且对于早期工业故障数据诊断方法和多源异构数据协同建模的方法针对相关问题做了展望。