工业过程的稳定运行以及产品的产量质量是现代工业的核心竞争力,而作为过程控制领域的关键技术以及研究热点,故障监测技术则是提高核心竞争力的一个有效途径。随着计算机技术的提升、传感器以及集散控制系统迅速发展,海量的工业过程数据得到了保存和记录,因此,基于数据的故障监测技术应运而生。多块模型作为一种新的集成监测框架,能够对分布式及具有复杂工况的流程工业进行及时、有效的监测。本文在多块模型的框架下,对基于数据的故障监测算法进行了如下研究:（1）考虑过程局部信息和隐含信息的挖掘,提出一种分层信息提取的多块主元分析故障监测方法。第一层考虑过程变量之间的互信息,并根据互信息值大小进行分块,提取过程局部信息;第二层对每个变量块提取累计误差和二阶差分等特征信息,结合观测值将每个变量块扩展为三个信息子块。对每个信息子块进行监测,并基于贝叶斯方法对所有信息子块的监测结果进行融合。基于田纳西-伊斯曼过程的应用仿真验证了经分层信息提取后,由于子块同时包含过程局部信息和特征信息,整体监测性能得到了提升。（2）考虑到基于变量分块的方法存在弱相关信息丢失的问题,提出一种基于相似慢特征变换向量的故障监测方法。基于慢特征分析对过程的动态信息进行有效提取,得到慢特征变换矩阵。根据距离定义相似度,将具有较高相似度的变换向量划分至同一子块。基于变换向量之间的相似性划分变换矩阵,可以使同一个子块中的慢特征具有相似的监控性能,可以增强有效信息的表达。通过支持向量数据描述整合各子块的统计量。田纳西-伊斯曼过程以及实际高炉炼铁过程的仿真实验表明该方法能有效提升故障检测率并改善检测延迟。（3）基于慢特征故障监测方法仅以变化快慢程度来选择慢特征用于监测,但变化慢的特征不一定对故障监测更有利。为进一步改善基于慢特征分析故障监测模型中慢特征的选择问题,提出了一种基于故障敏感慢特征的故障监测方法。通过对基于慢特征的故障监测模型中统计量进行理论分析,定义故障敏感性系数作为一种新的慢特征排序准则,用以选择在每个变量方向上对故障最敏感的慢特征。考虑到实时监控过程中故障的未知特征,基于多块策略为每个变量维度建立监控模型。最后,以支持向量数据描述融合各子块的统计量以获得直观的检测结果。该方法能够在无故障数据的条件下有效选取故障敏感慢特征,并同时提升模型的监测性能及泛化能力。