近年来,间歇过程凭借其品类繁多、灵活性高、成本低等优势被广泛应用于食品、聚合物、药品、染料等产品的加工。间歇过程机理复杂,其生产安全和产品质量更易受到外界因素的影响,为保证系统安全稳定运行,多元统计过程监控已成为间歇过程领域的研究热点。多向典型变量分析算法作为一种有效的多元统计方法,目前已受到研究学者的广泛关注。本文结合间歇过程数据特性,开展基于多向典型变量分析（Multi-way Canonical Variate Analysis,MCVA）的间歇过程监控方法研究,从局部信息挖掘、不等长、非线性、质量相关等角度对传统MCVA方法进行改进,并通过仿真实验验证本文所提方法的有效性。首先,针对传统MCVA方法忽略局部信息挖掘的缺陷,建立一种基于变量子域MCVA（Variable Sub-region Multi-way Canonical Variate Analysis,VS-MCVA）的间歇过程故障检测方法。该方法依据互信息进行子域划分并建立局部统计量,深入挖掘局部变量信息,实现对间歇过程的分块监控;然后,利用加权贝叶斯推理策略将各子域的局部统计量融合为全局统计量,有效提高了故障检出能力。青霉素发酵系统的仿真结果表明,该方法比传统MCVA方法具有更好的过程监控性能。然后,针对传统MCVA方法忽略间歇过程数据不等长特性的问题,建立一种基于DTW-MCVA（Dynamic Time Warping Multi-way Canonical Variate Analysis）的不等长间歇过程故障检测方法。该方法通过DTW算法将各批次数据进行同步化处理,成功将MCVA方法应用到不等长间歇过程监控中。进一步,建立一种基于变量分组DTW-MCVA（Variable Grouping Dynamic Time Warping Multi-way Canonical Variate Analysis,VGDTW-MCVA）的不等长间歇过程故障检测方法,该方法针对传统同步化方法忽略变量间相关性对于同步化效果有所影响的问题,首先利用互信息矩阵搜索法进行变量分组,将各变量组分别进行同步化处理;然后,通过建立MCVA模型实现对间歇过程的在线监控。数值例子及青霉素发酵系统的仿真结果表明,该方法能够比传统的DTW方法得到更好的同步化效果,建立更准确的过程监控模型。最后,针对传统MCVA方法无法判断非线性间歇过程产品质量是否受故障影响的问题,建立一种基于核多向多子空间CVA（Kernel Multi-way Multi-space Canonical Variate Analysis,KMMCVA）的间歇过程质量相关故障检测方法。该方法首先利用非线性映射将各批次数据投影到高维特征空间,计算所有批次间的平均核矩阵;然后,利用KMCVA方法分析过程变量和质量变量间的相关性,得到过程质量相关子空间;最后,将高维空间的MPCA处理等价为原始数据的KMPCA处理,实现对不相关过程子空间及不相关质量子空间的方差分析。青霉素发酵系统的仿真结果表明,该方法对于质量变量的变化具有较好的解释能力。