化学工业作为高安全隐患行业，危险事故时有发生，给生产带来巨大损失。行之有效的过程监控和故障诊断方法是预防事故发生、保证系统安全可靠运行的有效手段。针对目前故障检测与故障诊断存在的问题，本文提出了相应的方法并在实验仿真模型中进行了验证。　　本文主要工作和创新点如下:　　(1)提出了一种基于稀疏化非负矩阵分解进行故障检测的方法。稀疏化非负矩阵分解对分解结果加入非负限制，因此提取的成分向量能很好地反映样本的局部特征;稀疏化非负矩阵分解对分解矩阵添加稀疏性约束条件，因此能更好地发现稳定、直观的局部特征，并能自由地控制分解后矩阵的稀疏度，提高求解收敛速度等。由于稀疏化非负矩阵分解算法对基矩阵和系数矩阵的初始化是随机的，可能会导致算法不稳定，因此，本文提出采用主成分分析法来对稀疏化非负矩阵分解算法进行初始化。针对化工过程的观测数据序列相关性，提出采用指数加权滑动平均对采样数据进行动态化处理。　　(2)提出了一种基于结构化支持向量机进行故障诊断的方法。由于结构化支持向量机可以根据所处理的输入输出的内部结构构造相应的结构化特征函数，因此可以用来解决工业过程中的多种故障判别问题。为了从特征全集中选取出能够提供较大信息量的特征来建立故障诊断模型，本文提出了一种采用决策树提取特征的方法。为了对故障数据的动态特性进行提取并有效地加以表示，从而实现更有效地故障分类，本文引入过程变量的延时测量值，延时测量值的均值和方差扩展样本的特征，组合成新的特征矩阵。　　(3)提出了一种基于深度学习进行故障诊断的方法。当前化工业采用的大多监督学习算法一般需要获取较多的已标记样本，因此成本较高。本文提出了一种基于深度学习进行故障诊断的算法。该算法具有多层非线性映射的深层结构，可以完成复杂的函数逼近。通过逐层获取输入数据的分布式表示，该算法可以自动学习获取鲁棒的故障特征表达。自动学习的特征加入原有的特征后，可以大大提高原特征的精确度，从而提升分类或预测的准确性。　　本文对所提出的方法在田纳西-伊斯曼实验仿真化工过程上进行了验证。实验结果验证了所提出算法的有效性。