安全生产是流程工业发展的基本保证。过程监测方法作为流程工业中最常使用的工具之一,为流程工业过程的安全生产提供了保障。现代流程工业过程具有的非高斯性、复杂性、非线性、动态性等特征,使得传统的过程监测方法性能下降甚至无法使用。为适应流程工业的复杂工况,更好地利用过程知识,本文开展基于概率图模型的复杂过程监测方法研究。与传统的方法相比,基于概率图模型的方法能更充分地利用过程知识和生产数据,实现更好的监测效果,并能给后续的故障定位和诊断提供更多有效的故障信息,具体研究工作如下:针对稳态过程,本文提出一种基于分层概率图模型的过程监测方法。根据过程变量间的条件依赖关系绘制图模型,由图模型的分层结构,将所有过程变量的联合概率密度转化为条件概率密度和低维概率密度的乘积,利用核条件密度估计方法和核密度估计方法估计这些概率密度,将其作为监测统计量,进而实现对过程的监测。此外,基于图模型的结构也能够为故障的定位和诊断提供依据。针对动态过程,本文采用状态空间模型结构,引入状态变量作为中间节点绘制图模型,从而得到概率密度函数,实现过程监测。在此基础上,采用基于故障重构的迭代诊断方法,对每一个可能的故障变量用迭代的方式求得最优故障值,进行相应修正后使得变量受到的故障影响最小,以此实现对故障变量的分离和诊断。针对时变动态过程,采用基于递归稀疏动态主成分分析的动态贝叶斯网络方法。通过求解每个时刻的稀疏系统矩阵,实现对样本的稀疏处理。初始时刻的系统模型由基于加速梯度下降的优化算法得到,并引入l_2,1范数以达到逐行稀疏的目的;后续系统矩阵由递归Lasso算法迭代求得。接着运用动态主成分分析法对稀疏样本进行建模,以实现对时变动态过程的监测。此方法提高了运算效率,有效避免了故障误报情况并能及时检测出故障。最后,在总结全文的基础上,对基于概率图模型的方法的应用可能遇到的挑战及后续发展进行了展望。