在当今时代,分布式计算机控制技术的进步极大地推动了工业过程生产规模的扩大。对于复杂庞大的工业生产过程而言,高效的故障诊断技术对于保证设备的安全运行具有重要的意义,故障分类作为故障诊断技术一门重要分支,可以有效地识别发生的具体故障类型。堆栈极限学习机（Stacked Extreme Learning Machine,SELM）是一种基于深度学习思想提出的分类算法,可以有效地解决工业过程中故障分类问题。本文立足于堆栈极限学习机分类算法,研究一种改进堆栈极限学习机算法,并进一步解决工业过程故障分类时存在的忽视变量影响差异性和不平衡数据分类困难的问题。本文主要工作如下:首先,针对传统堆栈极限学习机的多层结构在层间信息传递时保留信息有限的问题,研究基于互信息的改进堆栈极限学习机（MI-SELM）故障分类方法。传统堆栈极限学习机算法在将当前层的节点信息迭代到下一层时,采用的是主成分分析对输出矩阵降维迭代,该方式保留的节点信息有限,不能将更多的有效信息迭代到下一层,研究通过计算输出矩阵互信息的方法可以保留更多的节点信息迭代到下一层。在典型工业过程工况数据集上的仿真结果表明,所改进方法比传统方法具有更好的故障分类性能。其次,针对传统堆栈极限学习机故障分类算法忽视了变量影响差异性的问题,提出基于偏F值的堆栈极限学习机（MI-FSELM）故障分类方法。传统堆栈极限学习机算法对所有的过程变量同一对待,并没有充分挖掘数据中包含的信息,基于偏F值的堆栈极限学习机通过计算每个过程变量的偏F值,通过偏F值的大小采用一定的策略对过程变量分配一定的权值。该方法在典型工业过程工况数据集上的仿真结果表明,所研究方法能充分挖掘变量中包含的信息,进一步提高故障分类的准确率。最后,进一步针对工业过程中故障数据不平衡特性,建立一种基于三重加权的堆栈极限学习机（MI-TWSELM）的故障分类方法。该方法从样本个数、样本的空间分布和临界点数据三个方面出发设计权值。首先,通过不同类别样本的个数可以给样本分配第一重权值;其次,通过考虑样本空间分布可以给样本赋予第二重权值;最后,进一步考虑临界点的影响给样本赋予第三重权值。在典型工业过程工况数据集以及标准数据集上的仿真结果表明,所研究方法能更好的消除不平衡数据对分类器的影响,在对不平衡数据集上具有更好的分类效果。