随着现代技术的发展,工业过程的流程变得越来越复杂,对过程控制的持续、高效和安全性的要求越来越高,能及时有效地发现生产中的异常情况变得越来越重要,过程监测技术是解决这个问题的有效途径。其中基于数据驱动的过程监测技术己被广泛应用到该领域进行故障的检测与诊断。本文在前人工作的基础上,开展了基于改进的核监督局部线性嵌入(MKSLLE)算法以及多流形核半监督(KSS(LPP-PCA))算法的研究与应用,主要研究工作如下:(1)为解决核监督局部线性嵌入算法中存在的一些缺陷和不足,本文在上述算法的基础上进行了改进,一方面可以有效地解决所谓的“样本外”问题,提高对数据的泛化能力;同时针对该算法面临邻域选取困难的问题,本文在传统方法的基础上利用监督学习与局部KPCA对近邻参数进行改进,使其更满足实际要求。(2)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核半监督过程监测方法,该方法能够有效利用未知标签样本指导学习过程;此外,该方法不仅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,很好地刻画样本的全局关联性,最终构造出最优的目标函数用于过程监测中。最后将本文提出的算法用于电熔镁炉过程进行仿真分析,分别对它们的故障检测及诊断性能进行了检验,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。