为了适应市场对多品种,多规格,高附加值产品的需求,现代工业生产过程正朝着大型和集成化方向发展。随着生产规模的扩大以及复杂性的增加,采用合理的过程监测方法来保障复杂工业过程的安全稳定运行及连续稳定的产品质量已经逐渐成为过程控制领域的首要任务。随着计算机技术与仪表技术的迅速发展,工业生产过程中大量的生产数据被存储下来,由此,基于数据驱动的过程监测与故障诊断方法得到了广泛的研究与应用。基于数据驱动的过程监测方法通常要求训练数据与测试数据满足独立同分布的条件。在磨矿分级过程中,由于产品粒度、矿石属性和设备参数的不确定性和时变性,常常导致旧过程和新过程的生产数据不满足同分布的条件,因此,传统的过程监测方法不能有效地用于监测新的磨矿分级过程。在线迁移学习是一种能够跟踪过程变化的迁移学习方法,它能够利用旧过程的生产经验和专家知识实时地建立新过程的监测模型。本文在分析现有的过程监测方法的基础上,结合磨矿分级生产过程的故障监测问题,对基于在线迁移学习的过程监测方法展开研究,主要的研究内容如下:（1）首先对过程监测方法进行总结概括,其次分析了基于数据驱动过程监测方法的研究现状。对传统的过程监测方法的优缺点进行阐述,进而提出了本文的整体研究策略。（2）在现代化选矿生产工艺流程中,通常包含多条相似的磨矿分级过程生产环节,各环节投产时间存在差异,其运行周期可以根据生产负荷或维修指令灵活调整。另外,由于生产原料、生产条件以及设备参数的变化,导致各生产过程具有时变性和不确定性。对于历史过程数据以及生产经验较少的新过程,直接对该过程建立监测模型的难度比较大,同时为了跟踪新过程的动态特性,本文提出同构多分类在线迁移学习方法。该方法根据旧过程标记样本数据建立旧过程故障分类模型,新旧过程分类模型按照权重结合的方式来建立迁移学习桥梁。同时所提的方法根据真实标签与预测值之间的差异自适应调整两种模型的权重以及模型的参数,从而跟踪新过程的动态性能。随着新过程接收样本的增加,旧过程的分类模型的权重存在上限值,从而避免迁移过多的旧过程知识,缓解负迁移。利用建立的在线新过程监测模型求解在线数据的状态标签,进而判断过程的运行状态和故障类型。利用磨矿分级过程数据验证方法的实用性和有效性。（3）在磨矿分级生产过程中,由于新过程工艺的改进使得监测的变量增加,采集数据的特征空间与旧过程采集到的数据的特征空间不同,旧过程的监测模型不能直接与新过程新建的分类模型按照一定的权重组合。针对这种情况,本文借鉴多视图的思想提出一种异构在线迁移学习方法。该方法将新过程数据按照特征拆分成两部分,前一部分与旧过程数据特征相同,另一部分不相同。然后按照新旧模型标签预测分数权重结合的方式建立在线新过程的监测模型。该方法的有效性和实用性通过对磨矿分级过程现场实际数据的仿真分析得到了验证。