在现代工业的实际运行过程中,多个故障同时存在的情况相较于只有单故障存在的情况更为常见,将对工业流程的生产安全造成更大的威胁。同时,我们注意到,多故障问题具有一定的不确定性,给复杂工业过程中的故障识别带来了更大的难度。近年来,随着工业信息化的推进,大量工业过程数据得以采集和保存,如何有效分析和利用数据中的信息建立多故障诊断模型是本文的重点研究内容,具体如下:第一,提出了一种基于重构主成成分分析（Reconstruction of Principal Component Analysis,RPCA）的集成支持向量机（Support Vector Machine Ensemble,SVME）多故障诊断方法。首先从原始数据空间中提取数据的主成成分即流形结构。其次,为解决局部特征信息丢失的问题,在特征空间中为每个特征样本构建近邻域并获取其与邻域中心的结构误差,通过对齐逆映射矩阵重构的局部几何结构误差获取重构后的坐标。然后,基于一对一（One vs.One,OvO）多分类集成策略将支持向量机（Support Vector Machine,SVM）二分类器拓展为SVME多分类器,由此构建RPCA-SVME模型用于工业过程多故障诊断中。第二,由于实际工业过程中采集的数据具有非线性,强耦合性等特点,常用的线性流形学习方法无法有效地提取数据中的主流形结构,最终会导致重构的数据空间特征表达能力下降。为提升多故障诊断模型的性能,引入非线性流形学习算法,并提出了一种基于重构局部切空间排列（Reconstruction of Local Tangent Space Alignment,RLTSA）算法的 AdaBoost集成（AdaBoost Ensemble,AdBE）多故障诊断方法。首先,采用极大似然估计（Maximum Likelihood Estimate,MLE）方法对数据空间的本征维数进行估计。其次,提出RLTSA算法以提升数据信息提取的能力,该算法对齐每个样本点的局部切空间获取嵌入在原数据空间的低维主流形结构。然后,为解决全局特征信息丢失的问题,通过仿射矩阵对低维特征坐标逆映射恢复全局结构。最后,为提升多分类器的准确度和计算速度,使用AdaBoost算法强化SVM二分类器为AdB分类器,并以一对其余（One vs.Rest,OvR）集成策略代替OvO集成策略构建AdBE多分类器,最终形成RLTSA-AdBE模型用于工业过程多故障诊断中。第三,分别基于Circle标准数据和Scurve标准数据集对RPCA算法和RLTSA算法重构结果进行可视化,并证明其有效性。此外,基于Swiss Roll标准数据集对MLE算法进行验证。此外,运用田纳西-伊士曼（Tennessee Eastman,TE）过程仿真平台对所提出的RPCA-SVME方法和RLTSA-AdBE方法进行仿真实验,比较结果表明RPCA-SVME方法有着较高的故障识别精度和宏F1分数,而RLTSA-AdBE多故障诊断方法相对于RPCA-SVME方法在故障识别精度、宏F1分数和模型泛化性上有了进一步的提升。