近年来,随着工业规模的不断扩大、复杂程度的不断提高以及大量数据的涌现,工业过程的质量控制和性能控制面临着巨大的挑战。预测和监测逐渐成为了两种必不可少的手段,所以发展有效的工具实现对工业过程的及时、稳定预测和监测,降低各种因素对工业运行性能的负面影响是具有非常重要意义的。本文的主要工作如下:1.提出了一个延迟依赖记忆型鲁棒模型预测算法。该系统的时间延迟虽然大小未知,但具有明确上下界。将最小最大优化问题转换为求“在最糟糕状况下”代价函数上界最小问题,利用线性矩阵不等式得到了一个新的代价函数单调性充分条件;记忆型状态反馈控制率被首次引入到鲁棒模型预测控制中,使用所得到的充分条件证明了引入的控制率能使代价函数的上界最小,且能保证闭环系统渐近稳定;通过一个非线性系统的例子说明了所给算法良好的性能。2.提出了一个新的多尺度非线性过程质量监测与故障检测方法,被称为尺度筛选多尺度算法(Scale-Sifting Multi-Scale Algorithm,SMA)。这个算法包括尺度筛选基准、数据分解与重构以及改进的动态核偏最小二乘等三个部分。与现在流行的多尺度算法相比,尺度筛选多尺度算法的关键特点在于能够在没有任何先验假设的条件下实现关键尺度数据的筛选和重构,数据在没有任何先验假设的情况下被分解;尺度筛选基准被用于筛选出包含过程异常状况关键特征的关键尺度;根据所选出的尺度进行全局数据重构;改进的动态核偏最小二乘被用于分析中心化后的重构数据。仿真和实验结果表明尺度筛选多尺度算法在多尺度故障检测方面优越的性能。3.提出了一种新的压缩稀疏主元分析算法(Compressive Sparse Principal Component Analysis,CSPCA)用于过程监测与故障检测。该方法由压缩部分重构算法以及改进的稀疏主元分析算法构成。CSPCA算法在没有任何先验假设的情况下实现对于异常信号的压缩和部分重构。根据主元分析与数据矩阵奇异值分解之间的关系,通过将2,1L范数作为目标函数和惩罚项得到一个获取稀疏主元负载的凸优化问题,并通过一个迭代算法求解。2,1l惩罚项的引入使得获得稀疏主元的同时,还能兼顾不大得分主元与小得分主元在监测算法中的作用。改进的稀疏主元分析算法的单调性和全局收敛性得到证明。两个标准算例的结果显示了CSPCA优越的性能。