间歇过程是现代工业生产的一个重要环节,由于该过程具有小批量、多品种、短周期等优点,已被广泛应用于机械制造、食品加工、化工能源、电气制造等国民经济生产的重要行业。在间歇生产过程中存在很多扰动因素会影响产品质量和生产效率,因此对间歇生产过程的故障检测以及故障预测显得至关重要。本文以青霉素发酵过程的间歇生产过程为背景,针对当前方法子时间段划分不精确、处理高阶非高斯数据效果不佳、无法对发生故障后的检测指标的时间序列进行预测等问题,对故障检测算法进行改进以及对过程中的缓变故障进行预测。本文所做的工作和创新如下:首先,提出一种自适应动态时间规整算法完成原始数据的预处理,在保留更完整的数据信息的基础上,按照数据的时间尺度自适应选择合适的动态时间规整（Dynamic Time Warping,DTW）算法得到同步化轨迹,为故障检测和预测奠定数据基础。其次,提出一种遗传算法（Genetic Algorithm,GA）优化的模糊c-均值聚类（Fuzzy c-Means Clustering,FCM）算法（GA-FCM）用于间歇过程的阶段划分,该算法克服FCM算法对初始值敏感、易于陷入局部极优值的问题,以达到全局最优,即提高子时间段的划分准确性;然后采用多向核主元分析方法将三维数据按批次展开和变量展开转换为二维数据,由此输入数据经非线性映射被转换到特征空间,选取映射后空间的主成分构建检测模型,与多种算法对比,仿真结果验证了所提方法的可行性和有效性。最后,提出一种基于注意力（Attention）机制和舍弃（Dropout）机制的长短时记忆网络（Long Short-Term Memory,LSTM）的Attention-Dropout-LSTM算法,用于过程监测指标的时间序列预测,Attention机制可以克服在输入序列相对较长时引发的信息丢失问题,Dropout机制对网络中的神经元进行概率性失活,提高模型在测试集上的预测能力,并通过仿真确定最佳的网络参数,实现对故障序列的有效预测。