作为现代制造业发展的主要生产方式之一,间歇过程具有生产批量小、品种多样、灵活性较强等优点,目前已在生物制药、半导体以及化工能源等关系国计民生的制造行业中占有重要地位。伴随着生产自动化的提高,间歇过程生产规模逐渐趋向大型化、复杂化。因此,对其生产过程进行有效检测,确保工业生产安全,成为当今学术界关注的热门问题。随着计算机和传感器技术的快速发展,大量的过程运行数据得以传输和存储,使得基于数据驱动的方法可以用于间歇过程监测。然而,间歇过程数据通常具有强关联性、非线性以及批次不等长等特性,如何从这些过程数据中发掘反映生产运行工况的特征信息,是间歇过程监测亟待解决的问题。本文针对间歇过程的强相关性、非线性和批次间数据不等长等问题,基于数据间关联特征进行分析,提出了相应的间歇过程故障检测方法。主要研究内容如下:（1）针对间歇过程广泛存在的复杂程度高、关联性强和非线性特征,提出了基于邻域保持嵌入极限学习机（Neighbor Preservation Embedded Extreme Learning Machine,NPE-ELM）的质量相关故障检测算法。首先,通过最大信息系数（Maximal Information Coefficient,MIC）将过程变量划分为质量相关子空间和质量无关子空间,然后分别通过NPE-ELM算法来进行间歇过程故障检测,在降维的同时保持了数据的非线性和局部近邻结构,提高了故障检测的精度。最后通过数值例子和青霉素发酵过程验证了所提算法的有效性。（2）针对间歇过程故障检测中存在的过程变量对质量变量解释能力弱以及非线性问题,提出一种基于多向正交信号修正的增强全主成分回归（Multi-way Orthogonal Signal Correction Enhanced Total Principle Component Regression,MOSC-ETPCR）间歇过程质量相关故障检测方法。首先,将三维数据处理成二维数据,利用正交信号修正算法滤除过程变量中与质量无关的信息,引入最大信息系数平方矩阵进行非线性特征提取并建立回归模型,确保所提取特征与质量变量的最大相关性;然后,将得到的回归模型划分为质量相关子空间和质量无关子空间,分别建立统计量和相应的控制限,进行质量相关故障检测;最后分别应用数值仿真例子和青霉素发酵过程验证了该方法的有效性。（3）针对间歇过程批次不等长以及过程运行关键特征提取问题,提出了一种基于松弛贪婪时间规整（Relaxed Greedy Time Warping,RGTW）-多向正交增强邻域保持嵌入（Multi-way Orthogonal Enhanced Neighborhood Preserving Embedding,MOENPE）的不等长间歇过程故障检测与诊断算法。首先,为了解决间歇过程不同步的问题,采用了松弛贪婪时间规整（RGTW）的方法对间歇过程数据进行规整;其次,通过求取权值矩阵来构造增强目标函数;然后,计算表示局部几何结构的正交基函数,提取间歇过程的关键运行特征,建立统计模型进行故障检测,检测到故障后,利用贡献图的方法对故障变量进行诊断;最后,通过青霉素发酵过程验证了该算法的有效性。