现代过程工业系统在网络化和信息化推动下规模日趋庞大与复杂,过程监测和故障诊断是保证工业过程稳定运行并确保产品质量的重要技术。由于系统机理复杂、运行状态影响因素多,使得数据驱动的多元统计过程监测等方法得到广泛关注并迅速发展。传统多元统计过程监测方法通常需要满足系统运行在稳定工况、监测变量服从独立同分布、变量间线性相关等条件,由于实际工业过程系统关联复杂,存在设备退化、测量误差、过程噪声等干扰,过程监测数据存在着非平稳等特性,在利用监测数据进行运行诊断等需要进行特定的分析和处理。本文在深入分析复杂过程变量的高维特性、非线性相关、强动态性等特点的基础上,研究复杂工业过程运行特征提取、故障检测与识别的算法,具体工作包括:针对故障发生使得工业过程监测变量分布特性发生改变,导致故障难分离的问题,提出了基于稀疏局部保存投影的故障识别算法。考虑到每种故障对监测变量分布产生的影响不同,采用局部近邻信息作为故障特征;为提高投影变换矩阵的可解释性和表示性,利用基于稀疏表示重构能有效降低监测数据中的冗余信息的优点,在局部保存投影目标函数构建过程中添加对投影矩阵的稀疏性约束,并将投影矩阵求解问题通过松弛处理转化为基于迭代二次约束的二次规划问题,有效改善了工业过程系统的故障样本在投影空间的可分离性。针对高维工业过程监测变量关联关系复杂、空间分布特征提取不完整的问题,提出了基于Fisher判别的全局与局部保存投影过程监测算法。由于主成分分析、偏最小二乘、局部保存投影等统计监测算法都只提取了原始空间部分信息如方差、局部近邻等,基于流形学习思想提出了全局与局部保存投影算法,该算法能同时保存监测数据的全局分布和局部近邻特征;针对流形学习聚焦于样本表示而模式分类效果不佳的问题,结合Fisher判别分析构建具有判别性能的全局与局部投影目标函数,并通过广义奇异值求解得到变换矩阵,保证了低维流形中故障类别的可分离性;为降低过程噪声、测量误差等对监测效果的影响,提出了基于核密度估计的统计指标控制限求解算法,进一步提升了过程监测性能。针对复杂工业过程高维非线性特征难提取、故障分类可解释弱的问题,提出了一种基于深度置信网络的Fisher稀疏表示故障分类算法,通过深度置信网络拟合非线性过程监测数据,剔除冗余信息实现正常状态与故障模式特征提取,采用对应的特征初始化稀疏表示中的学习字典,降低了训练字典的计算复杂度;基于Fisher判别分析构建稀疏表示目标函数,并同时引入稀疏度约束、判别性约束和重构误差最小约束,通过二次规划迭代求解得到最优的字典与稀疏系数,一方面保证了稀疏系数和重构误差对故障模式的判别性能,另一方面为故障识别提供了更具解释性的结果,进一步提升了非线性工业过程故障识别准确率。针对复杂工业过程的高维动态特性导致故障检测延迟大、分类准确率低的问题,提出了基于规范变量分析的全局与局部保存投影过程监测算法。针对实际过程变量间存在时序自相关且故障后变量分布发生改变的问题,利用规范变量分析构建具有时滞的观测矩阵,并结合全局与局部保存投影算法分别构建过去观测矩阵和将来观测矩阵,及其对应的拉普拉斯矩阵;通过建立规范全局与局部保存投影分析的目标函数,获得的变换矩阵实现了动态运行过程监测数据空间特征和时序信息的保存;建立相应的统计监测指标并结合核密度估计算法进行故障检测,降低了动态过程故障检测时延和误报率,同时有效提升了故障识别准确率。