发酵过程存在多个生产阶段且生产过程机理复杂,其产品质量易受不确定性因素的影响,发酵过程的监测与故障诊断面临很多挑战。本文以发酵过程为课题研究背景,将基于数据驱动的多元统计方法作为过程监控的主方法,从发酵过程的故障监测与诊断两个方向展开进一步研究,并结合发酵过程的特点对传统的监测和诊断模型提出了一些改进策略。论文的主要研究内容如下:(1)本文介绍了核熵成分分析(kernel entropy component analysis,KECA)在多元统计过程中的监测原理以及基于角度结构的监测指标——CS(Cauchy-Schwarz)统计量。结合发酵过程的三维数据结构特点,分析了多向KECA方法的3种不同的展开方式。然后阐述了间歇发酵过程的监测框架和多向KECA方法的故障监测步骤,为后续的改进方法提供理论基础。(2)针对间歇发酵过程中的动态、时变和多阶段问题,在上述KECA监测算法的基础上引入基于相邻区域建模的移动窗策略(moving window,MW),提出了一种新的MWKECA发酵过程在线故障监测模型。基于相邻时间点样本的局部邻域MW策略能很好地跟踪过程的变化,解决批次间各阶段动态性和时变性问题。同时MW-KECA保留KECA算法优秀的非线性处理能力,KECA的CS统计量也有良好的鲁棒性。MW-KECA监测方法与MW-KPCA、KECA方法在青霉素发酵仿真实验中进行了验证和比较,结果显示MW-KECA能更准确的检测出故障,证明了本文所提监测方法的有效性。(3)针对发酵过程故障诊断模型泛化能力不足和识别率不高的问题,提出了一种基于支持向量数据描述(support vector data description,SVDD)算法的以故障变量贡献数据为输入数据的故障诊断模型,即变量贡献SVDD诊断模型。变量贡献数据相当于从原始数据中提取的特征数据,能够突出数据中同类的相似信息和异类的差异信息,经过该特征提取进而优化SVDD故障诊断模型的识别效果。在青霉素发酵仿真实验中,与基于原始数据建模的SVDD方法相比,基于变量贡献的SVDD方法提高了诊断模型的泛化能力和准确性,证明了本文提出的故障诊断方法的可行性。