日益复杂化的现代工业对生产过程的安全性和连续性提出了更高的要求,故障检测技术成为过程系统领域的关注焦点。近年来,先进的集散控制和数据采集技术在工业系统中得到广泛应用,收集了大量的工业系统运行数据。因此,基于数据挖掘的故障检测方法受到了研究学者们的广泛关注。然而,对于幅值小、变化缓慢的微小故障来讲,传统的故障检测方法往往难以取得较好的监控效果。针对非线性工业过程的微小故障监控问题,本文立足于正常数据和故障数据的概率分布差异,研究基于概率相关核主元分析（probability related kernel principal component analysis,PRKPCA）的微小故障检测方法,并基于微小故障数据特性,进一步提出相应的改进方法,以满足微小故障检测需求。首先,针对传统核主元分析（kernel principal component analysis,KPCA）方法中微小故障数据和正常数据的核成分往往重叠严重、造成检测困难的问题,本文从概率分析的角度出发,提出一种基于PRKPCA的微小故障检测方法。该方法在KPCA模型提取核成分的基础上,利用KL散度（Kullback-Leibler divergence,KLD）度量正常数据和故障数据概率分布之间的差异,进而建立基于KLD成分的非线性统计量实现对微小故障的检测。对非线性数值例子和有杆抽油机（sucker rod pump,SRP）系统的仿真结果表明,PRKPCA方法具有比传统KPCA更好的微小故障监控能力。其次,针对PRKPCA方法在构建统计量时忽略各KLD成分所包含的故障信息差异问题,本文研究基于加权概率相关核主元分析（weighted PRKPCA,WPRKPCA）的微小故障检测方法。通过设计基于核密度估计方法的加权策略,按照包含故障信息量的差异对各个KLD成分分配相应的指数权值,增强故障KLD成分的影响。以非线性数值例子和连续搅拌反应釜（continuous stirred tank reactor,CSTR）系统为仿真对象,结果表明该方法对微小故障的检测能力要优于KPCA和PRKPCA方法。再次,PRKPCA方法仅注重于提取过程的全局特征,而忽略数据所包含的局部结构信息。为此,本文从全面提取过程数据特征的角度出发,提出一种基于局部全局概率相关核主元分析（local global KPCA,LG-PRKPCA）的非线性微小故障检测方法。该方法对传统的KPCA模型优化目标函数进行改进,融入局部结构保持约束,构造综合考虑局部与全局数据结构的优化目标提取核成分,进而建立基于KLD成分的统计监控模型,提高对微小故障检测的灵敏性。最后,对非线性数值例子和CSTR系统的仿真结果表明,该方法具有比传统KPCA和PRKPCA更好的微小故障检测能力。最后,考虑到PRKPCA方法在计算KL散度时,忽略了过程数据的动态特性,且整体建模方法难以充分挖掘微小故障特征问题,研究基于动态多块概率相关核主元分析（dynamic multi-block PRKPCA,DM-PRKPCA）的微小故障检测方法。为充分利用数据的时序相关性,结合指数加权移动平均方法在滑动窗内计算KLD成分。进一步,对KLD成分按照均值和方差进行分块处理,并对每一块建立故障监控子模型,最后采用贝叶斯融合策略将子模型的监控结果进行融合。在非线性数值例子和CSTR系统上的仿真结果表明,相比于KPCA和PRKPCA方法,该方法能够取得更加及时的微小故障检测效果。