随着现代工业过程的大型化和复杂化,以及传感器技术和存储技术的发展,工业过程中监测到的数据越来越丰富。因此基于数据驱动的过程监测技术在过去十多年间得到了持续的关注和发展。其中,多变量统计过程监控(MSPC)已被广泛的应用于解决过程监测的问题。而现代工业数据时常表现的非高斯性,使得传统的在高斯假设下的MSPC方法应用受到了限制。独立元分析(ICA)方法在处理非高斯数据上具有明显的优势,因此将独立元分析方法应用于工业过程监测,将具有十分重要的意义。对于更高的过程监测要求,和数据的非线性、时变性、多模式等问题,需要对传统的独立元分析方法进行改进才能更好的应用于过程监测。本硕士学位论文在前人工作的基础上,针对非高斯过程监测中的故障分离和多模式过程监测问题,做了以下工作：(1)在原有故障重构方向思想的基础上,提出一种改进的KICA故障分离方法,从独立元空间中提取故障特征方向,实现了对新故障数据的故障分离。利用独立元数据信息丰富的特点,将历史故障数据和正常数据映射到独立元空间,通过建立故障数据的独立元同正常数据的独立元之间的关系,得到故障相关独立元,并以此作为已知故障的特征方向。将此方法应用于电熔镁炉两类故障数据的故障分离。最后,同传统的贡献图和基于KPCA方法的故障重构方法进行故障分离结果对比。实验结果显示,本文提出的方法具有较好的分离效果。(2)针对非高斯多模式过程的监测问题,本文根据独立元分析方法对非高斯过程信息处理的优越性,以及多模式过程的模式间具有公共信息和特殊信息的特点,提出了多模式核独立元分析方法。通过对比各模式间的差异对监测统计量的影响情况,将独立元空间和残差空间分为公共信息部分和特殊信息部分,并分别建模监测。将本文方法应用于田纳西过程三种工作模式的故障检测实验中,并对比全局建模方法。实验结果显示,本文所提方法优于全局建模方法,且公共模型对各个模式具有通用性好的特点,各模式的特殊模型对各模式的故障检测具有灵敏性高的特点。