在工业过程监控中,尽可能早的检测到过程的异常变化和降低误报率是十分必要的。多元统计过程控制作为新兴的过程监控方法,已被广泛地应用于解决这些问题。在这些方法中,主元分析由于简单可行得到了广泛应用。然而,主元分析应用于工业过程监控时,由于其本身性能的限制,会出现很多问题。因此,许多学者针对一些问题提出了改进方法,扩大了主元分析在工业过程控制领域的应用范围。例如,核主元分析,递归主元分析和一致主元分析等。本文在前人工作的基础上,开展了关于这些主元分析方法的研究,主要研究工作如下：(1)用传统核主元分析建立的过程统计模型是时不变的,而大部分实际工业过程却具有慢时变的特性。当用静态KPCA模型监控动态变化过程时,误报警问题会时常发生,这将大大降低KPCA的可靠性。针对这一情况,本文提出了一种基于核空间中递归奇异值分解的递归核主元分析(RKPCA)方法。RKPCA通过递归计算训练数据协方差的特征值和特征向量对模型进行更新。利用此方法进行的过程监控的仿真结果表明,该方法不仅能大大降低误报警,还提高了故障检测的准确性。(2)随着大型工业过程变得越来越复杂,产生的问题是对大量的变量将会变得很难解释。一致核主元分析(CKPCA)以分散化的方式实现了对过程的监控,提高了对多变量模型的解释能力同时降低了其复杂性。然而,由于实际工业过程中慢时变的影响,CKPCA所建立的监控模型不能适应动态过程运行状况,由此可能出现误报问题。针对这一情况,给出了一种CKPCA与RKPCA相结合的方法,用CKPCA建立过程统计模型后再用RKPCA递归更新CKPCA模型。将此方法运用于仿真实例故障检测中,取得了较好的检测效果,证明了该方法的有效性和可行性。