首先针对故障检测的背景,传统的故障检测技术和间歇过程的故障检测技术等进行了论述,在回顾了方法发展的同时分析了各类方法的优缺点。然后针对间歇过程的生产特点和数据特点进行了论述,详细介绍和分析了针对间歇生产过程的数据不等长问题和数据预估问题的处理方式。最后针对数据多阶段操作的特点进行了详细的分析介绍。对间歇过程的多操作阶段进行划分时,往往会被离群点和噪声干扰,影响建模的精确性,本文主要针对此问题提出一种新的故障检测方法：主元分析-多方向高斯混合模型(PCA-MGMM)建模方法。利用主元分析方法(PCA)把数据转换到对故障较为敏感的低维子空间中,提取出得分向量,去除了噪声等的干扰；通过改进的高斯混合模型(GMM)算法对得分向量进行聚类,减少了运算量的同时自动得到最佳高斯成分和对应的统计分布参数；最后结合全局监控指标实现了连续的在线监控,并通过一个实际的半导体的仿真实验验证了所提方法的有效性。间歇过程的多操作阶段划分不合理的时候会引起所建的模型不精确,针对此问题提出一种新的划分阶段策略：首先利用谱聚类方法将处理后的数据进行准确的阶段划分,并结合图划分准则对划分结果进行判断,得到精确划分结果的同时避免了陷入局部最优；然后运用PCA建模方法分别对每个阶段进行建模,并通过选择合适的模型进行在线监控；最后在青霉素发酵过程仿真应用上进行验证,用具体的实验结果来说明本监控方法的有效性。