随着工业生产过程的日益复杂化，人们越来越重视过程生产安全，一旦发生故障，可能会对经济、社会产生巨大的影响。建立有效的工业过程监测系统是实现生产过程安全、稳定运行的必要条件。过程监测方法主要分为基于模型的方法和基于数据的方法两个大类。随着计算机、集散控制系统等技术的发展，大量的过程数据被采集、记录下来，推动了基于数据方法的发展。基于数据的方法只需要获取过程的数据，相比于基于模型的方法，其通用性更强，对于大规模的流程工业，基于数据的过程监测方法更加实用。其中基于多元统计过程监测方法得到了广泛关注。　　流程工业具有规模大、变量多、操作单元多等特点。传统的单一模型方法在监测过程中可能会忽略局部的相似信息，分块多模型监测将整个数据空间分成若干个模块，然后对每个模块分别监测，降低了模型复杂度，突出了局部信息，加强了故障信息在模型中的表达。本文立足于分块多模型监测研究，针对于变量的分布特性和相关特征，系统地提出基于多元统计方法的分块监测策略。具体研究内容如下:　　(1)传统的主成分分析(Principal Component Analysis，PCA)和独立成分分析(Independent Component Analysis，ICA)方法基于不同的变量分布假设前提，如PCA基于高斯分布，ICA基于非高斯分布。只基于一种分布假设对两类分布变量进行建模，难以准确描述过程。针对过程变量存在高斯分布和非高斯分布并存的情况，提出对高斯变量和非高斯变量分别监测的监测策略。首先应用高斯性检验方法对每个变量进行正态性检验，将过程变量分为高斯变量和非高斯变量。采用PCA和ICA分别监测两种变量。最后采用贝叶斯推理(Bayesian Inference，BI)将两个变量块中的监测结果进行整合，建立一个最终监测统计量。提出的方法结合了PCA和ICA算法各自在处理不同分布数据时的优势，整个监测模型对高斯和非高斯故障都很敏感。后考虑到过程数据也存在动态特性，将高斯变量和非高斯变量分离的策略引入到动态过程监测，改善了动态过程的监测效果。　　(2)对变量之间的相关性关系进行分析，发现过程变量中有些是相关的，有些变量是独立于其它变量的。相关变量对于故障的表现是相似的，而独立变量对于故障的表现则不尽相同。在监测过程中希望将具有相同变化行为的变量聚类，凸显故障对过程变量的局部影响。因此提出了相关变量和独立变量分别监测的策略。采用互信息作为变量相关性度量，将变量分为独立块和相关块。通过核PCA监测相关变量，支持向量数据描述(Support Vector Data Description，SVDD)监测独立变量。提出的算法充分利用到核PCA和SVDD各自处理相关变量和独立变量的优点，降低了模型无关变量对监测性能的影响。　　(3)前两种方法分别针对过程变量存在不同分布特性和复杂相关关系的问题，提出了相应的分块监测策略。而实际过程变量往往既存在不同分布特性也存在复杂的相关关系，只解决变量不同分布问题，不能凸显出故障对于局部的影响;只解决变量复杂相关关系问题，无法用基于一种分布假设方法对不同分布的变量进行准确建模。针对过程变量同时存在不同分布特性和复杂相关关系的问题，提出了基于变量分布和相关特征的两步分块监测策略。经过两步分块，具有相同分布和强相关关系的变量被放入同一块中，强调了局部分布和相关信息，提高了监测模型对于故障的敏感度。本文也将两步分块策略结合动态监测方法，使得监测模型能够克服实际过程的动态特性。　　(4)以上三种分块策略在分块之后对每一个模块分别进行监测，均只利用到分块后模块内信息，并没有利用到模块之间的信息，而故障对于整个系统的影响可能表现为模块内的变化，也可能表现为模块之间的变化。只监测模块内变化可能导致故障信息丢失。首先针对流程工业中变量多、关系复杂的特点，提出基于角度关系的多分块策略，突出局部关系，将变量之间角度小的若干变量放到同一块中集中监测。考虑到在强调同块内局部信息的同时可能会忽略块间信息，根据块与块之间角度的变化，建立一个块相异度指数来监测块与块之间信息。提出的分块监测方法不仅能够监测模块内的变化，还能够监测模块之间信息的变化，既强调了局部关系也没有导致信息丢失，提高了过程监测性能。　　本文将提出的监测方法在数值仿真过程和田纳西伊斯曼(Tennessee Eastman，TE)过程平台进行了验证，相比于传统的多元统计过程监测方法，提出的监测方法取得了优异的监测效果。