随着工业技术的发展,现代工业过程呈现出大规模、高复杂度、高要求等特点,这种趋势下任何一台仪表或设备引起的异常都有可能影响产品的质量、造成设备的损坏,甚至引起安全事故。随着现代工业技术与信息技术的结合,实时数据采集、云数据库、在线监控等功能得以实现,但这些功能仅适合针对简单的工业过程进行监测,为解决大型工业过程的过程监测问题,及时发现工业过程中的异常,遏制连锁反应的发生,对工业过程监测及故障诊断算法的研究显得极为重要。在对过程监测及故障诊断方法的研究中,多元统计分析（Multivariate Statistical Process Monitoring,MSPM）方法因其数据驱动的特性常被应用于复杂工业过程。MSPM方法通常针对研究对象的不同特征进行建模,其中线性方法与非线性方法是工业过程中常见的两类方法,本文主要针对工业中的线性方法与非线性方法进行研究。线性方法中主元分析法（Principal Component Analysis,PCA）是一种常用的方法,该方法通过数据降维、划分空间、构建统计量来实现对工业过程的监测,事实上PCA算法中主元解释性较差,为解决这一问题,SPCA算法开始被广泛研究,但SPCA算法在残差空间的信息利用率过低,且其统计量在故障的判定上存在问题。为改进该方法,本文提出一种基于改进SPCA的过程监测与故障诊断方法,该方法通过引入Lasso与Ridge惩罚项,解决主元负载的优化问题,实现对主元向量的稀疏化,增强了主元的可解释性,提高了残差空间信息的利用率。为降低故障的误诊率,提高模型的精度,该方法将平方预测误差根据过程变量的复相关系数拆分为主元相关变量和一般过程变量来对工业过程进行监测。在非线性方法中,区间核主元分析（Interval kernel principal component analysis,IKPCA）算法成功的解决了数据的非线性问题和不确定性问题,但该方法精度不高,通过研究分析发现该方法高斯核参数选取存在问题,为解决这一问题,本文提出区间集成核主元分析（Interval ensemble kernel principal component analysis,IEKPCA）算法,该算法通过引入集成学习的思想建立多个子模型来解决高斯核参数的选取问题,然而多子模型会产生多结果,使最终结果的获取变得复杂,为简化计算,使用贝叶斯决策将结果转换为故障概率,通过加权的方式获取最终结果。为验证本文所提出的两种算法,将这两种算法应用于田纳西伊士曼过程,并设计相应的实验验证算法的性能,算法的评价主要通过计算过程监测中的准确率、误报率、漏报率等性能指标。通过统计实验结果并对比其他算法,验证了本文所提出的过程监测与故障诊断算法的有效性,证明了这两种方法优化了工业过程的过程监测与故障诊断问题。