在钢铁冶金、石油炼制、化工、电力、热能等高成本费用、高安全等级的工业过程,随着人们对过程的高效性、产品的高质量和自动控制系统的集成化有着越来越高的要求,过程监测、故障检测和诊断等领域在其中起到了十分重要的作用。这些领域一般被称作为故障检测和分离(FDI)或故障检测和诊断(FDD),也简称为故障诊断。本文从基于数据驱动的故障诊断方法出发,主要研究了动态主元分析(DPCA)算法离线和在线的自适应故障诊断过程,本文的主要工作和贡献如下：(1)阐述了故障诊断的研究现状,并从定性分析和定量分析角度研究了故障诊断方法的分类,其中着重研究了DPCA算法理论及其发展过程。详细总结分析了工业过程数据动态性(数据的自相关性)产生的原因及其影响；(2)研究了多维小波去噪算法和自适应主元分析算法,包括递推主元分析(RPCA))算法、滑动窗主元分析(MWPCA)算法和指数加权主元分析(EWPCA)算法。(3)提出了一种基于小波去噪和DPCA相结合的故障诊断方法。该方法利用小波去噪算法对构建的动态增广矩阵数据进行处理,提高了动态PCA算法的计算效率。通过分别对田纳西-伊斯曼过程(Tennessee Eastman Process,TEP)的典型故障和轧钢过程的断带故障的仿真研究,验证了提出方法的有效性。(4)结合MWPCA算法,提出了一种基于DPCA的自适应故障诊断方法。该方法引入了递推主元分析(RPCA)算法思想,给出了简化的自相关矩阵的递推公式,将原来需要进行4次秩1更新的步骤简化为了2次秩1更新,可使在线实时速率提高近一倍。加快了动态模型在线实时更新的速率并节约了硬件存储空间。通过对TEP数据的仿真研究,验证了提出算法的有效性。