过程监控是保障工业生产过程安全稳定运行的必要技术和有效手段。工业系统各种传感器记录了大量关于生产相关的数据，这些数据可以反映过程的运行状态。基于流形学习的降维算法在低维空间可以最大程度保持数据的本质结构特征信息。本文针对连续化工过程的多变量、非线性、动态性特点，结合流形学习理论，研究基于流形特征提取的故障监测方法和特征提取策略。本文的研究工作如下:　　(1)针对时序多维数据的非线性特征提取问题，在局部保持投影算法的计算框架下，给个体点在数据集的整个欧氏空间和时序近邻空间分别构建邻接关系图，得到时序扩展的局部保持投影算法(Temporal Extension Locality Preserving Projections，TELPP)。TELPP在降维时尽可能保持原始数据空间的本质结构特征信息，适用于非线性数据的特征提取。TELPP将时序多维数据在低维特征空间重构原始数据并得到残差空间，分别在两个空间建立HotellingsT2和SPE统计量及其控制限，实现故障监测阶段的建模。　　(2)针对动态过程数据的自相关与互相关特性，结合动态扩展矩阵和TELPP算法，提出基于张量分解的TELPP(Tensor-TELPP)算法并将其用于动态化工过程的故障监测。Tensor-TELPP可以直接对动态扩展后的三维数组进行特征提取，避免了三维数组展开成矩阵造成的信息丢失问题，消除了数据中变量的自相关与互相关特性。　　(3)针对基于数据的化工过程多操作模式辨识问题，提出TELPP结合隐马尔科夫模型(Hidden markov model，HMM)的工况模态识别算法，提高了分类精度。首先提取所有模态信号的正常工况数据，分别用TELPP算法对各个模态数据进行降维，然后用每个模态的特征信息训练一个HMM模型。通过比较观测序列在每个HMM模型下的似然概率值判断当前所处的模态。　　本文将以上方法应用于研究田纳西-伊斯曼(Tennessee Eastman，TE)过程的故障监测与工况识别并证明其有效性与优越性。