随着现代过程工业的生产结构日趋复杂,工业过程的规模也在不断地扩大,为了确保生产安全和提高产品质量,工业过程对象必须在线实时地监测生产过程的当前运行状态。由于集散控制系统和先进计算机技术在工业过程系统中的广泛应用,生产过程对象可以采集和存储大量丰富的过程数据,如何从这些数据中挖掘出反应过程运行状态的特征信息用于工业过程监测,已经成为了一个极具挑战性的问题。基于数据驱动的过程监测方法因此得以快速发展,特别是多元统计过程监测方法。分布式过程监测方法作为一种可以有效降低模型复杂度和提高模型解释能力的多元统计过程监测方法,通常是大规模工业过程监测的首选方法。尽管分布式过程监测方法在近些年得到越来越多的研究,并且取得了丰硕的成果,但是仍然有许多问题值得深入的研究,比如如何挖掘子块间的相关性特征信息,以及如何量化子块间的相关性等。本文在现有研究的基础上,以子块间相关性作为研究重点,提出两种新的分布式过程监测方法,具体如下:1)针对已经提出的分布式非高斯监测方法忽略子块间相关性的问题,提出一种基于MBMICA（Multi-block Modified ICA）算法的分布式过程监测方法,用于非高斯过程监测。首先,通过修改Fast ICA算法的正交化处理步骤得到MICA（Modified ICA）算法,然后利用整个过程测量变量空间的解混向量引导各个子块中独立成分的提取,并且据此推导出MBMICA算法,该算法能同时考虑过程测量变量间的局部性和整体性。最后,通过TE过程的仿真对比实验来证明MICA算法的可行性,以及MBMICA方法相比于其它分布式过程监测方法的优越性。2)针对目前已有的分布式监测方法无法量化子块间相关性的问题,提出一种基于MBCCA（Multi-block CCA）算法的分布式过程监测方法。该方法首先通过最大化所有子块典型相关系数的平方和以提取各个子块的潜变量,这些潜变量可以显式地表示过程变量的全局特征和局部特征;接着对包含全局特征信息的潜变量,利用回归模型提取其中反映各个子块变化差异的残差信息;然后对各个子块的残差信息和包含局部特征信息的潜变量构建监测统计量,并且将它们融合为一组综合监测指标。最后,在TE过程的仿真对比实验上验证了MBCCA方法的可行性和优越性。最后总结本文的研究工作,并在此基础上对分布式过程监测领域未来的研究工作和研究方向进行展望。