现代流程工业逐渐倚重生产小批量、多品种、高附加值产品的间歇过程，间歇过程往往呈现强非线性、动态性和时变特性。目前以多元统计过程监控为核心的方法在流程工业过程故障检测和诊断领域得到广泛的关注和研究，较为成熟的理论算法以线性的多元统计模型为主。实际工业间歇过程中，过程变量信息并不总能满足传统多元统计方法假设其服从高斯分布和线性的要求。因此，针对具有数据非线性并且非高斯分布或混合分布的间歇过程，本课题研究一种新的改进MKICA-PCA监控方法。（1）传统ICA方法的改进研究对于间歇过程中的三维过程数据，常用的多向展开方法有两种：沿批次方向展开和沿变量方向展开。其中沿批次方向展开，要求批次间数据等长，并且在线监控时，要求对采样点之后全部数据进行预测；而沿变量方向展开的方式存在对故障不敏感的缺点。本文研究一种改进的展开方法，首先按批次方向展开，并在批次展开基础上做标准化处理，再沿变量方向展开，在变量方向展开基础上进行分析和建模。同时，通过设定负熵阈值实现独立成分提取过程中独立元个数的自动选择，从而克服传统ICA方法中，需要预先确定独立元个数的缺点。（2）研究基于KPCA白化的MKICA监控策略在进行ICA分析之前，采用核主元分析方法进行白化处理。核主元分析KPCA是一种非线性研究方法，其基本思想是，先通过“核技巧”，把输入空间映射入高维特征空间中，以此将原输入空间中的非线性问题，转化为特征空间中的线性问题，然后，再在高维特征空间进行PCA白化处理并进行ICA建模。（3）研究一种针对具有混合数据分布的间歇过程的MKICA-PCA监控方法对于一个实际的工业过程，过程变量并不是绝对服从高斯分布或非高斯分布。因此，在前述研究基础上，研究一种针对具有混合数据分布的间歇过程的MKICA-PCA监控方法。先利用基于KPCA白化的MKICA方法将过程数据映射到高维线性空间，并从中提取非高斯分布的过程信息，通过设定负熵阈值，实现独立成分个数的自动选择，从而克服传统ICA方法中需预先确定独立成分个数的缺点，再利用核密度估计方法，确定相应监控统计量的置信限；然后再对服从多元高斯分布的残差过程信息，通过PCA作进一步分析和处理。