工业生产过程日益复杂,对工业过程中的故障进行检测与诊断变得越来越重要。故障检测与诊断是许多工程应用中一个重要且富有挑战性的问题,并将继续活跃在控制研究领域。随着计算机技术的发展,大量的工业数据被采集并保存下来,使得基于数据驱动的方法成为了当今过程监测领域的主流技术。在许多基于数据驱动的机器学习算法中,有一个重要的假设就是训练数据和测试数据服从相同的数据分布。但是,在磨矿分级生产过程中,由于产品溢流粒度、矿石属性和设备参数的不确定性和非线性,常常导致旧过程（源域）和新过程（目标域）的生产数据不满足同分布的条件。如果我们想要实现新的生产过程的故障诊断,可以在有限的条件下尽可能地利用相似工业过程的信息来提高故障诊断的准确性,减少领域间的分布差异,也就是将域适配的思想引入机器学习。事实证明,域适配在图像分类、目标识别、情感分析和跨不同客户数据集的文档分类方面具有前景,但是在工业领域识别故障信息的应用较少。本文在分析现有的过程监测方法的基础上,结合磨矿分级过程中数据分布不同但相似的跨域故障检测与诊断问题,对基于域适配的过程监测方法展开研究,主要的研究内容如下:（1）总结概括现有的过程监测方法,对于其中基于数据驱动的过程监测方法面临的问题进行阐述,进而引出迁移学习研究的意义,我们针对迁移学习中域适配问题的研究现状做了详细阐述,并提出了本文的整体研究策略。（2）在现代化选矿生产工艺流程中,通常包含多条相似的磨矿分级过程生产环节,各环节投产时间存在差异,其运行周期可以根据生产负荷或维修指令灵活调整。另外,由于生产条件、生产原料和设备参数等条件变化导致生产过程数据分布发生变化,对于生产经验和历史过程数据较少的新过程,直接对该过程建立监测模型难度较大,并且模型的监测准确性不理想,容易发生过拟合和负迁移。因此,本文引入域适配方法,建立基于极限学习机域适配模型,将目标域的极限学习机分类器参数投影到源域参数空间中,使其最大限度地与源域的分类器参数分布相同。此外,考虑到迁移中有可能带来负迁移和过拟合的情况,在目标函数中引入参数逼近项和正则项约束。该算法与以往的域适配算法相比优势在于,其分类器参数以及转移矩阵是同时优化得到的,并且其目标函数求解过程相对简单。我们主要针对于实际的磨矿分级生产过程数据验证了该方法的实用性,其中还利用经典的TE过程数据验证所研究方法的有效性。（3）磨矿分级生产过程与生俱来的非线性特性严重影响监测效果,并且在实际生产过程中,由于新过程投产时间不长,无法提供可用的标签数据用于建立监督模型。针对这种情况,本文提出一种基于联合分布适配和流形对齐的过程监测方法。该方法学习了两个将源域（标记数据）和目标域（无标记数据）的监测数据映射到两个低维子空间中的投影矩阵,其中分布移位和结构移位同时减少。并且将流形对齐和核方法引入到域适配中,这不仅可以保持每个集合中的邻域关系,还使投影坐标中对应点的距离尽可能接近,适用于具有非线性特征的复杂过程。最后,针对于实际的磨矿分级过程数据进行了实用性验证,并且利用TE过程验证了该方法的有效性。