随着现代化生产日趋大型化，系统的复杂性也越来越高，因此系统面临的风险也越来越多，使得发生故障的概率增大。系统之间相互关联使得其中某一个故障的不及时检测出来并得到有效处理可能造成巨大威胁。因此，过程监控技术作为流程工业安全技术成为热门课题研究，对现代工业的发展有着很大的研究价值。　　传统的基于数据驱动的方法对于数据有着限制，如要求过程数据满足高斯分布，数据之间服从线性相关关系、系统工作在单一工况等，而实际工业过程通常无法满足这些条件。　　本文首先提出了一种基于即时学习的监控方法。该方法用进行模型局部建模，获得局部模型预测输出和真实输出的残差，在监控方面采用核单簇可能性聚类方法建立监控模型。为了解决计算时间比较大的问题，采用特征样本提取方法用少数几个特征样本代替原始数据集进行训练。　　其次，针对传统算法花费的计算时间比较大，以及对于检查出的故障并没有做出故障源的诊断，提出了一种局部切空间排列的线性投影近似的方法，保留了局部切空间排列算法的非线性降维能力，并设计了故障检测和诊断的方法。　　最后，针对化工过程中经常出现的微小故障问题，将传统的单变量方法转换成多变量，即多变量累计和和多变量指数加权移动平均的混合方法，并利用传统的独立元分析法提取独立元进行降维，最后利用支持向量机数据描述建立统计量及控制限。