随着现代工业过程生产规模的不断扩大，控制系统也愈加复杂，快速有效的监控和诊断方案对于保证生产过程的安全性和可靠性、提高产品质量、增加企业利润十分重要。而计算机技术的飞速发展和传感器的广泛使用不仅便利了工业数据的采集和存储，也促进了基于数据的过程监控和故障诊断技术的发展。尽管如此，现有的数据驱动的诊断方法仍存在着许多缺陷，包括“污染效应”、诊断效率低、误诊率高、过分依赖历史故障数据等。因此，本文针对当前故障诊断领域比较棘手的多变量故障诊断问题展开研究，同时也讨论了微小故障和诊断效率问题。
　　针对复杂工况中的多变量故障和微小故障问题，提出了基于贝叶斯信息准则的故障诊断方法。首先，该方法结合贝叶斯信息准则将故障诊断问题成功转化为混合整数非线性规划问题。然后，为了降低求解难度，又采用前向选择策略将原问题简化为一系列嵌套的混合整数二次规划问题。最后，采用分支定界算法进行求解，得到了故障诊断问题的最优解。
　　针对当前可采集的工业数据量庞大，关键性的特征信息容易被“淹没”的现象，提出了基于类间差异分析和多维重构贡献的故障诊断方法。首先，该方法分别采用两种策略(即主成分分析和费舍尔判别分析)来得到变量对于故障的敏感度指标，并将该指标作为最优重构方向的判别依据。然后以此为基础，引入了多维重构贡献方法来确定各故障变量的最终贡献。最后，根据变量的敏感度对故障变量的主次关系进行了区分，实现了准确的故障诊断。
　　针对复杂高维度工况场景下，故障变量的诊断难度大，诊断效率低的问题，提出了基于信噪比理论和多维重构贡献的故障诊断方法。首先，该方法首次融合信噪比的思想，提出了一种新的变量筛选指标，即偏差因子。然后，通过计算和对比各变量的偏差因子大小，筛选出故障前后变化更大的变量，并将此作为寻找最优重构方向的依据。最后，在此基础上，引入了多维重构贡献方法来衡量各故障变量的贡献，实现故障变量的精确定位。
　　上述所提方法均利用数值仿真案例、田纳西伊斯曼过程和连续搅拌釜反应过程的数据进行了验证，并与现有的故障诊断方法进行了对比，实验结果表明了本文方法的有效性和实用性。