在天然气采集运输和存储过程中,含有水蒸气的天然气会导致管道设备堵塞和腐蚀,所以采集天然气之后需要脱水装置进行脱水工艺处理,以保证天然气生产质量。本文针对天然气脱水装置工作过程中设备异常不易发现、监测数据缺失、工艺参数动态预测困难等问题,研究了脱水装置异常检测和工艺参数趋势预测的方法,并开发了异常检测系统。本文主要工作如下:（1）针对脱水装置中设备异常检测困难的问题,研究了两种异常识别的方法。多元回归序列方法对层次聚类产生的分组分别建立回归模型,之后结合模型预测值和真实值残差识别异常。主成分分析的方法从多参数中提取出主要变化模式,使得异常能够在主成分上反应出来便于检测。这两种方法相互印证,能够同时找出设备中出现的异常状态。（2）脱水装置监测过程中可能会出现大量缺失值,直接删除整条缺失数据可能误删其他有价值的参数数据。本文利用函数型数据分析的特点,研究了基于期望的函数型主成分分析方法（FPCA）,用于估计原始监测曲线,实验证明该方法能够更好的估计缺失数据。针对脱水装置天然气露点检测仪器容易损坏导致无法实时获取露点的问题,结合露点变化的滞后性和函数型数据分析的特点,建立了脱水装置监测数据和露点之间的模型函数型广义加性模型（FGAM）。分别和函数型线性模型FLM以及离散模型随机森林进行对比,发现FGAM模型不仅能够对露点变化趋势进行预测,还能捕捉数据变化的微小特征,对变化较大的极值点也能有较好的预测效果。（3）结合了函数型数据的特点,研究了一种基于FPCA-FGAM模型的脱水装置工艺参数动态预测的方法,该方法利用FPCA动态预测脱水装置监测数据的变化,并结合FGAM模型实现了对露点的动态预测。分别对比了监测数据30%、60%、80%时间的动态预测效果,随着监测数据的增加,动态预测效果更贴近真实值。最后将动态预测方法应用到露点的动态预测中,结果表明FPCA-FGAM模型能够实现对露点等工艺参数的动态预测。（4）针对天然气脱水装置监测过程中的异常检测和趋势预测等问题,使用Py Qt开发了脱水装置异常检测系统,采用了多元回归序列和主成分分析法进行异常识别,采用FPCA-FGAM模型进行工艺参数的动态预测。并介绍了系统的多线程设计方式,对系统交互性进行了优化。