随着现代工业过程不断向大型化、集成化的方向发展，高效、可靠的过程监控和故障诊断技术被公认为是保证生产安全、提高产品质量、降低生产管理成本、保证企业竞争力的一项关键手段。基于数据驱动的过程监控技术由于其不需要过程的精确数学模型，仅利用过程数据的特点，已成为过程监控领域的一个重要分支和研究热点。面对变量数目众多，分布复杂的大量过程数据，如何通过有效的信息提取方法从中挖掘出能反映过程运行状态和本质特征的深层次信息，从而建立更加精确的监控模型，进一步提高过程监控能力以及过程运行的安全性和可靠性，是基于数据驱动的过程监控技术的核心，也是本文的研究工作的重点。　　 传统主元分析(Principal Component Analysis，PCA)要求数据服从高斯分布。独立成分分析(Independent Component Analysis，ICA)假设各变量之间是统计独立的，适用于数据服从非高斯分布的情况，但在利用ICA方法展开过程监控及故障检测工作时，如果过程变量中含有高斯分布或近高斯分布特性的数据时，会导致故障检测误报率或漏报率明显上升，时常造成监控算法失效。核独立成分分析Kernel ICA是一种改进的ICA方法，事先不需要对数据分布作任何假设，并对数据分布的多样性具有良好的鲁棒性，能更有效的从复杂数据中提取有用的信息。　　 本文以Kernel ICA为基础，分别针对工业过程中连续和间歇两种生产方式的特点以及工作需要，提出了一些新的基于Kernel ICA的过程建模、故障检测及诊断的方法。具体包括以下几个方面：　　 (1)针对复杂工业过程的数据含有多种分布的情况，提出了基于Kernel ICA的统计过程监控方法。首先利用Kernel ICA对数据进行独立成分分析，获得用于建模的独立主成分，给出了相应监控统计量I2和SPE的构造方法，并结合非参数统计方法-核密度估计KDE来计算监控统计量的控制限，提高了所建立模型的准确性。废水处理过程的仿真研究验证了所提出监控方法的有效性，表明了基于Kerenle ICA的过程监控方法优于基于ICA的监控方法。　　 (2)针对非线性工业过程，综合Kernel ICA方法能有效进行特征提取的能力和KPCA方法处理非线性过程数据的优点，提出了基于双重核化的ICA-DKernel ICA的非线性过程监控方法。DKernel ICA等于白化的KPCA加Kernel ICA，基本思想是先将低维空间的测量数据通过非线性核函数映射到高维的特征空间，在特征空间提取主元，并进行白化，然后对这些标准化后的主成分分量再用Kernel ICA进行独立成分分析，获得用于建模的特征信息。通过在特征空间中构造监控统计量，以及由KDE方法计算得到的控制置信限，实现对非线性工业过程的监控。Tennessee Eastman过程是典型的非线性过程，通过对TE过程21个故障的监测结果表明，该算法是可行的，并有比其它非线性监控方法更好的监控效果。　　 (3)针对间歇过程的特点，将Kernel ICA引入到间歇过程监控中，提出了基于Kernel ICA的间歇过程监控方法。首先按照MPCA方法将间歇过程的三维数据展开成二维形式，但是面对展开的高维历史建模数据，当直接应用Kernel ICA方法时，会耗尽计算机的内存资源，算法无法继续下去。本文通过采用一种局部建模的方法，在每一个时间片数据矩阵上应用Kernel ICA进行特征提取，建立一系列随时间变化的监控模型。这种处理方法不仅解决了Kernel ICA无法处理高维历史建模数据的难题，建模机理简单，而且避免了预测未来测量数据的问题。通过对青霉素发酵过程以及Dupont间歇聚合过程的数据分析，表明所提出的方法能够很好的跟踪过程的变化，当故障出现时，快速准确的给出故障的信息。　　 (4)针对前述建模方法虽然取得了很好的监控效果，但没有考虑过程变量在时间上存在的相关性的问题，探讨了基于不同展开方式的Kernel ICA间歇过程监控问题，提出了一种基于Kernel ICA的综合相似因数的故障诊断方法。首先在批次方向上将三维数据进行展开并标准化，然后再将标准化后的数据在变量方向上进行展开，这种展开方式考虑了数据变量在时间上的相关性，而且也不需要估计过程未来的测量值。对青霉素发酵过程的几类故障的监测和诊断仿真实验结果表明，所提出的方法是可行的、有效的。