现代化工生产过程对生产产品的质量要求日益地增加。而生产过程的状态对于生产安全与产品质量影响显著，因此过程监控显得尤为重要。随着计算机通讯技术，计算机存储技术的飞速发展以及集散控制系统在化工生产过程中的普遍应用，大量的过程数据以及生产状态信息被存储下来，使得基于数据驱动的过程监控方法成为了当前研究的热点。传统的基于数据驱动的过程监控方法，例如主元分析，偏最小二乘等，通常对过程具有一些如过程运行在单一的稳定工况下，过程数据无时变特性等的假设，使得这些方法对于具有复杂工况的化工过程的监控效果不佳。本文针对化工过程中几类复杂工况下的过程监控方法进行了研究，这些方法主要处理化工过程中经常出现的多工况问题以及时变问题，主要研究内容可以总结如下:　　1.针对典型化工过程同时具备多工况特性以及时变特性的问题，提出了基于递归多模型方法的监控方法。该方法同时考虑过程的多工况与时变特性，使用一种基于智能优化方法的模糊C均值聚类的方法，对过程数据进行划分，对于划分得到的每一个子空间通过核主元分析进行数据降维，提取主要的非线性信息，最后使用支持向量数据描述算法对每一个子空间降维数据进行非高斯数据建模，获得统计量。在在线监控阶段，通过递归核主元分析算法将对应的监控模型进行更新。该方法被应用于乙烯裂解过程。　　2.针对递归多模型方法在在线监控阶段出现的模型更新不及时的问题，提出了一种基于外部分析移动窗局部离群点概率的多工况时变过程监控方法。该方法使用一个鲁棒模型对多工况时变过程进行监控，从而解决模型更新不及时问题。首先利用外部分析方法将多工况对过程数据的影响移除，使得在在线监控过程中，只需要更新一个监控模型。接着通过将移动窗策略加入到基于局部密度的局部离群点概率方法，建立自适应更新的监控模型。该方法对具有催化剂失活的非等温连续搅拌反应过程进行了较好地监控。　　3.针对传统的自适应监控方法对时变过程进行监控时，监控模型的更新具有盲目性，从而在过程发生缓慢变化故障时，由于模型的更新使得监控模型跟踪过程故障的问题，提出了一种基于增量式主元分析的时变过程监控方法。该方法使用主元增量来提取过程数据中的时变信息，并将时变信息加入到监控模型当中，从而在不更新监控模型的前提下，对时变过程可以获得较好的监控效果，并且成功地区分正常的过程时变与具有缓慢变化特性的故障。通过对数值仿真系统以及具有催化剂失活特性的非等温连续搅拌反应过程进行的仿真研究，验证了增量式主元分析方法在时变过程的故障检测方面具有较好的性能。并将该方法应用于C2加氢反应过程中。　　4.针对在不同的反应阶段催化剂的失活速率不同，导致过程数据的时变速率变化的问题，提出了一种基于增量式高斯混合模型的方法对过程进行离线建模，并构造基于贝叶斯推理的联合概率指标统计量，对多时变速率过程进行监控。该方法通过增量式主元，将具有多时变速率的过程数据转化为多工况数据，然后利用高斯混合模型方法对转换后的多工况过程进行监控。在通过对数值仿真系统以及在不同反应时期具有不同的催化剂失活速率的非等温连续搅拌反应系统进行仿真，验证了增量式高斯混合模型方法对于多时变速率的过程，区分正常的过程时变与具有缓慢变化特性的过程故障具有较好的性能。　　5.将传统的主元分析方法以及本文提出的增量式高斯混合模型方法利用VisualStudio平台开发了基于C＃编程语言的故障检测软件。该软件通过C＃语言编写类库，在类库中包含了矩阵类，统计分布类，主元分析类以及高斯混合模型类，使得该软件可以完全脱离Matlab环境独立运行。该软件具有主元分析的离线建模与在线监控，增量式高斯混合模型方法的离线建模与在线监控的功能，并通过OPC通讯协议与装置数据进行实时通讯。最后通过与Matlab仿真相同的数据进行测试，达到了与Matlab软件相同的监控效果，验证了该软件具有现场应用能力。