随着社会发展的不断加快,工业污染问题越来越受到重视。污水厂的安全稳定运行,对于节约能源和保护环境至关重要。然而,污水处理设备通常在恶劣的环境中工作。所以传感器故障、控制器故障、过程故障（例如丝状污泥膨胀）很可能经常发生。特别是对于农村地区的大多数中小型污水处理厂而言。如果故障得不到及时排除,不仅会造成巨大的经济损失,还会对环境造成二次污染。但是污水处理系统是一个复杂的工业系统,涵盖了物理、化学和生物反应。再加上不确定的外部扰动,使得过程监测的难度进一步加大。因此,本文从数据、变量和模型三个层面对污水处理的过程监测进行深入研究。根据污水厂实际的工业需求和遭遇的难题,本文依托数据驱动方法开展研究,相应的研究成果和创新点可以总结如下:1.针对污水厂被强噪声干扰下质量相关故障不易检测的问题,提出了无监督鲁棒自适应典型相关分析的过程监测方法,命名为Rab-CCA。Rab-CCA融合了鲁棒分解技术,能够把被噪声污染的矩阵分解为低秩矩阵和稀核矩阵。并在此基础上建立一个全新的准则函数来实现多目标优化,进而充分提取低秩矩阵和稀疏矩阵的有用信息。考虑到要对污水厂水质相关的故障进行监测,通过对T~2和SPE（Squared Prediction Error）控制图进行重构,并且在Rab-CCA中嵌入了一种新的自适应统计控制限。Rab-CCA能够在强噪声干扰下有效监测污水厂出水水质相关故障。2.为了应对过程工业的非线性特性和复杂多变的外部条件,提出了无监督拓展非线性典型相关分析（M-NAKCCA）的过程监测方法。M-NAKCCA通过嵌入可拓学和理论,然后建立基元模型,对数据进行分层处理。从而提升预处理的功能。另外,在M-NAKCCA中嵌入了Nystro?m技术,进而有效估计Gram矩阵的低秩近似。最后利用输入-输出残差重构T~2控制图用于监测系统质量相关故障。实验结果表明,M-NAKCCA对质量相关故障的检测比其他三种方法更为有效。3.针对传统监测模型的耗时和模型复杂工况下性能难以保持的问题,提出了有监督预测元-向量机的过程监测方法（OFC-SVM）。为了减少有监督模型在线监测的时间消耗,OFC-SVM首先改进可预测元分析（Forecastable component analysis,Fore CA）用于特征提取。另外,Fore CA算法利用信息熵来度量信息量,放宽了变量数据必须服从高斯分布的条件。其次,为了使得监测模型性能保持稳定。利用二次网格搜索算法优化了模型参数,使其能够在复杂工况下自适应调整。最后,为了正确评估模型的性能,提出了一种新的评估指标,称为预报警率,旨在实现误报和漏报之间的定量平衡。4.针对有标签训练数据缺失和故障存在传播难以定位的问题,本章从数据、变量和模型三个层面开展深入研究。首先,针对有标签数据缺失的问题,提出了有监督跨时空相关向量机,命名为EAdsp B-TLM。EAdsp B-TLM改进和拓展了传统的相关向量机模型,具有以下优点:（1）.对贝叶斯框架下的概率相关向量机（Probabilistic Relevance Vector Machine,Pr RVM）进行了重新推导,使其能够用于污水厂运行工况的预测;（2）.扩展了Pr RVM方法,将迁移学习融入到稀疏贝叶斯学习框架中,使之具有迁移能力。（3）.重新启用源域数据以缓解训练数据不足的问题。其次,针对污水厂污泥膨胀难以定位根源变量的问题,提出了滑动平均残差重构贡献图-格兰杰因果分析方法（Mard RCP-GC）。Mard RCP-GC首先从提高信噪比的角度去改造传统的贡献图方法,然后利用新的VS-R变量选择方法和格兰杰因果分析一起去定位故障的根源变量。EAdsp B-TLM和Mard RCP-GC被有效用于污水厂的污泥膨胀检测和故障溯源。5.针对源域数据和目标域数据不适配导致模型出现负迁移和时变工况下模型性能不稳定的问题,进一步提出了有监督优化跨时空典型相关-向量机的过程监测方法（CS-Ad Boost Tr LM）。首先设计一种跨时空典型相关分析方法,它是在典型相关分析基础上重新构造而成的一种特征迁移学习方法。然后,把基于实例的迁移学习和基于特征的迁移学习方法融合在一起嵌入到CS-Ad Boost Tr LM,使CS-Ad Boost Tr LM具有更强的迁移学习能力。最终实现源域和目标域之间的领域自适应,以克服负迁移问题。另外,考虑到固定的CS-Ad Boost Tr LM参数无法有效应对时变工况,并且迭代生成的子模型对参数过于敏感。选择粒子群算法用于优化局部检测模型,使集成的检测模型可以收敛到全局最优。最后,在总结全文的基础上,对该领域有待进一步研究的内容进行了总结。