流程工业的大型化和复杂化,以及对产品质量指标的苛刻要求,使得流程工业过程优化和控制变得越来越重要。而控制器性能的好坏直接关系到生产过程的平稳运行和产品质量的合格与否。及时准确的对控制器性能做出评价与诊断,对确保流程工业过程安全平稳运行和保证产品质量有着重要意义,因此控制器性能评价与诊断也成为了研究的热点和难点。本文针对目前预测控制器性能评价方法中没有将稳态特性与动态特性分开监控的问题,提出引入慢特征分析方法并设计综合性能指标进行控制器性能评价;在性能评价的基础上,提出了基于Stacked-SAE（Stacked Sparse Auto Encoder,Stacked-SAE）分类器实现性能诊断的控制器性能诊断方法,以提高预测控制器性能诊断结果的准确性;又针对深度学习网络分类器易受不均衡样本影响的问题,提出基于CSDL-KCRC（Class Specific Dictionary Learning Based Kernel Collaborative Representation Classification,CSDL-KCRC）的方法进行控制器性能诊断。论文的主要工作如下:针对目前预测控制器性能评价方法研究中没有将稳态特性与动态特性进行有效剥离而导致评价结果不准确的问题,将慢特征分析方法引入预测控制器的性能评价。综合慢特征分析方法给出稳态动态分开监控的四个评价指标,现场操作人员可以正确的区分可控的过程变化（如输出设定值的改变）与真正不可控的控制器性能下降。为提高监控效率与准确率,提出了进一步整合的综合性能评价指标。仿真研究表明,利用该方法能够正确识别控制器性能恶化,减少了误报警率和漏报警率并提高监控效率,有望大幅度减少因误判而造成的非生产时间。流程工业预测控制系统多是大型安全苛求系统,为了提高控制器性能诊断结果的准确率,考虑引入深度学习网络分类模型进行性能诊断。在对预测控制器性能进行诊断时,针对现有的浅层分类器以及多变量多元统计诊断方法无法提取样本数据深层故障特征信息的问题,提出使用Stacked-SAE构造分类器实现性能诊断。仿真研究表明,基于Stacked-SAE分类器的预测控制器性能诊断方法具有更高的诊断准确率。针对深度学习网络诊断结果会受到不均衡数据样本影响的问题,提出使用CSDL-KCRC方法对预测控制器进行性能诊断。为了提高性能诊断结果的准确率,考虑将协同表示分类器、字典学习与核方法结合进行预测控制器性能诊断。仿真研究表明,基于CSDL-KCRC的性能诊断方法可以对导致控制器性能下降的原因做出准确的诊断,并且在样本数据不均衡的情况下具有更高的诊断准确率。论文所研究的算法在Woodberry精馏塔模型进行了仿真验证,结果表明所提出的算法对于干扰噪声变化、模型失配、控制变量及被控变量约束饱因素导致控制器性能下降的情况,均能及时监控并做出正确的诊断。