工业的不断进步和科技水平的不断提高，使得工业过程中的设备规模趋向于扩大化，生产强度不断增大，工业系统特性复杂，使得过程故障检测与监控技术应用性凸现出来。为了保证工业过程的安全性，提高系统的可靠性，改善操作的经济化，亟需解决工业过程中的过程监控问题。现场总线技术和集散控制系统普遍用于过程控制使得工业过程中采集海量的数据和存储这些数据成为了可能。因此，如何有效的分析与利用工业过程数据来指导工业操作和避免故障发生成为了过程监控亟需解决的问题，受到了专家学者的广泛关注和精心研究。　　近几年，针对工业过程的监控问题也有了不少的解决方法，这些方法通常需要数据分布或运行模式提出一定的假设，例如过程数据要服从高斯分布或是过程需运行在单一模态下，很多方法考虑的重点都是数据的全局信息，而没有充分挖掘数据的局部信息，当数据分布存在稀疏性，以及多模态下的数据存在多峰性和复杂数据分布时，这些方法就很难得到满意的结果。本文主要针对实际工业过程中的多模态运行工况下数据分布的稀疏性以及复杂数据分布问题进行研究，深入分析过程数据的局部信息，提出了新的针对多模态过程的监控策略，以期改进系统故障检测的效果。其主要内容如下所示:　　(1)针对实际工业过程中过程数据存在稀疏性的问题，充分考虑到建模时的边界以及数据的分布密度问题，提出了一种新的基于密度的支持向量描述的多模态过程监控方法。该方法首先是对多个模态的数据进行模态划分，然后针对各个模态下数据的稀疏性问题运用基于密度的支持向量描述进行建模，最后对新的测试数据进行实时的在线监测。该方法能过有效的解决数据的稀疏问题，提高了监控效率。　　(2)针对实际工业过程的数据存在多峰性问题以及复杂数据分布问题，提出了一种新的局部密度标准化策略。经过该方法进行数据预处理后，数据近似服从均值为零的单一分布，化解了数据的多模态特性。为了充分挖掘数据的局部信息，还采用了基于密度的局部密度因子作为监控指标。该方法能够更加深入的分析数据的局部信息，提高了监控的精确度。　　本文采用了数值例子和Tennessee Eastman过程的仿真平台，验证了本文所提方法的有效性。