工业生产方式在飞速发展的科技的影响下,有了巨大的变革。不断扩大的现代工业系统规模以及其不断增强的复杂性,亟需企业采取高效的过程监控策略来保证过程的安全性,并提高其可靠性,从而减少或者避免过程发生故障时,带来的不良影响。然而复杂的实际过程使传统的监控技术面临巨大的挑战。随着现场总线技术和集散控制系统的发展使采集和存储大量的工业过程数据成为可能。因此,过程在线监控技术作为一种能够保障工业过程正常运行以及提高产品质量的方法,受到了广大学者的关注和研究。现有的大部分故障检测方法在提出的过程中往往对过程或者数据分布有一定的假设,例如过程运行在单一模态下以及数据服从单一的高斯分布等理想条件。然而这些假设的存在使得监控方法只能在特定的生产条件中才能发挥其最好的性能。另一方面,大多方法将更多的重点放在数据的全局信息上,而没有足够地考虑数据的局部信息,因而当数据分布复杂的时候,其较难实现良好的监控。本文拟针对实际工业生产过程中的多模态问题和数据复杂分布问题,在分析研究现状的基础上,深入分析来自多个运行模态的过程数据信息,提出了新的高效率的多模态过程监控策略,以实现不依赖于数据分布的监控方法。主要研究内容如下：(1)针对实际工业过程运行在多个模态下的复杂问题,从数据的降维和统计量构造方面入手,提出一种新的基于局部密度估计的多模态故障检测方法。面对实际过程数据不能满足传统的多元统计方法对数据分布的假设的难题,该方法首先用对数据分布没有单一高斯分布假设的流形学习算法将过程高维数据映射到低维子空间中,然后将改进后的核密度估计应用子空间中构造高效监测的统计量。由于该策略采用带宽可变的核密度估计,对数据分布就有良好的鲁棒性。(2)针对实际工业过程来自不同模态的数据和来自同一模态下的数据分布复杂,为了克服传统的以欧式距离为基础的基于密度的故障检测方法对过程数据描述不准确的问题,提出了基于局部加权的策略。该策略通过分析数据局部信息,采用不同的权重来区别不同样本点对检测当前样本的影响。此方法能更准确地描述数据局部信息,实现更好的过程故障检测。在分析研究上述方法的理论基础之后,分别用具有故障代表性的数值例子和著名的Tennessee Eastman过程以及典型的基于密度的离群因子检测方法来验证本文所提的新策略,实验结果表明了本文方法的有效性。最后,在总结本文的主要研究工作之后对未来的研究方向进行展望。