复杂系统记录有大量的高维数据，且特征之间往往呈现高度耦合和强关联的线性或非线性现象，甚至还包含无关的噪声。与此同时，随着复杂程度的迅速提高，系统异常模式也时常发生。及时诊断和排除复杂系统的异常模式，已成为工程人员和学者们必须解决的刻不容缓的问题。针对此问题，本文从模式判别模型的特征选择角度出发，给出基于维度约简的复杂系统异常模式原因追溯方法。　　首先，针对复杂系统中高维特征之间存在的线性冗余和噪声问题，提出基于偏最小二乘(PartialLeastSquares,PLS)与虚假最近邻点(FalseNearestNeighbors，FNN)的判别模型原始特征选择方法：通过FNN建立原始特征的相似性度量，利用PLS特征提取得到满足建立FNN相似性度量所需正交性质要求的主元空间，然后结合PLS与FNN给出原始特征相似性度量方法，并以此相似性度量值刻画原始特征对类别标签的重要性，进而得到线性模型下异常模式原因追溯方法。为了验证此方法的有效性，仿真3个线性模型下的复杂系统分类问题，运用此方法选择导致异常类别的关键特征，并用支持向量机(SupportVectorMachine,SVM)分类器分类准确率说明所选特征的正确性，实验结果均显示，所选特征正是与异常分类本质相关特征，表明了此方法的适用性与有效性。　　其次，针对复杂系统中高维特征间存在的非线性冗余和噪声问题，提出基于核偏最小二乘(KernelPartialLeastSquares,KPLS)与FNN的原始特征选择方法：核函数方法将非线性问题转化为线性问题，在PLS+FNN线性特征选择方法的基础上，得到基于KPLS+FNN的非线性特征选择方法，使之解决非线性模型下异常模式原因追溯。同样，由仿真的3个非线性模型下的复杂系统分类问题实验结果表明，该方法适用于非线性模型异常模式原因追溯问题。　　最后，选取经典过程控制实例TE(TennesseeEastman)过程做实证研究，由于其属于非线性模型，在挑选其中3种异常模式后选用KPLS+FNN非线性特征选择方法做异常模式原因追溯研究，并将本文结果与已有结果对比。　　以上相应仿真实验和实证研究结果均表明，本文提出的线性模型下PLS+FNN特征选择方法和非线性模型下KPLS+FNN特征选择方法均能选择出与类别本质相关的特征，进而说明了所提方法是适用和有效的，从而为复杂系统异常模式原因追溯提供了一种方法。