近年来,科学技术的飞快进步和现代人们所追求的产品高质量、生产安全及稳定生产过程导致了故障出现的频率越来越高,工业生产过程监视对于安全生产来说是非常重要的。为了提高系统的安全性,监控系统的性能问题越来越受到关注。基于数据驱动的故障检测技术可以提高系统的安全性,减少损失。本文以提高方差差异明显的多模态过程的故障检测性能为目的,研究基于局部算法的多模态过程的故障检测算法,本文主要工作及贡献如下:（1）为了提高k近邻（kNN）方法在稀疏差异很大的多模态数据中的监测效果,提出基于马氏距离kNN（MD-kNN）的多模态过程故障检测算法。首先寻找训练数据的k个近邻样本,计算其马氏距离的平方和,运用核密度估计确定其控制限。对新来的样本,计算其与训练集中的k个近邻样本的马氏距离平方和,将其与控制限比较进行过程监视。最后通过数值例子和半导体过程数据的仿真结果验证了该算法的有效性。（2）为了提高局部保持投影（LPP）算法在各模态离散程度差异较大的多模态过程中的故障检测性能,提出一种新的基于二阶差商LPP（SODQ-LPP）的多模态过程故障检测方法。首先对多模态过程训练数据进行二阶差商预处理,消除模态间的方差差异,然后运用LPP算法进行降维和特征提取,计算样本的统计量,并利用核密度估计（KDE）确定控制限。对于新来的校验样本数据进行二阶差商处理后,向LPP模型上进行投影,计算新数据的统计量并与控制限比较进行故障检测。最后通过多模态数值例子和半导体过程数据的仿真实验结果验证了该算法的有效性。（3）为了提高NMF方法在方差差异明显的多模态过程中的监视效果,提出一种基于LPD-NMF的多模态过程监视方法。首先对多模态过程训练数据运用局部概率密度（LPD）进行预处理,消除方差差异明显的多模态特性。然后运用非负矩阵分解（NMF）算法进行降维和局部特征提取,计算样本的D2统计量,并利用核密度估计（KDE）确定控制限。对于新来的校验样本数据运用局部概率密度处理后,向NMF模型上进行投影,计算新数据的统计量并与控制限比较进行过程监视。最后通过数值例子和半导体过程数据的仿真结果验证了该算法的有效性。