现代控制理论和智能化发展,复杂机械设备和工业系统的智能故障诊断吸引了众多学者的关注,也诞生了很多杰出的科研成果。但是,由于待检测设备系统运作逻辑复杂、作用机理未知,这将严重制约了分析建模的推广与使用。值得关注的是,目前针对大型工业系统通常利用传感器集群采集丰富的历史数据,再通过对数据进行解析完成故障诊断工作。因此,探究一种自动化的数据驱动诊断方法成为学术界新的目标,它的主要任务是快速且准确地检测出系统运行过程中产生的故障。然而,近年来有研究表明在工业生产或机械设备检修问题上,我们并非关注所有的故障类型,而仅需关注影响系统性能的故障即可,忽略掉不相关故障的报警来降低不必要的停产和检修时间,进而提升系统的生产效率、降低维护成本。为解决这个问题,设备或系统特定性能指标（Specific performance indicators,SPI）的故障诊断问题被提出,并迅速成为数据驱动故障诊断的热点方向。本文将采用多元统计方法对线性系统的静态和动态工况分别开展研究。传统偏最小二乘算法通过单变量与SPI故障之间的相关性进行故障诊断,这将导致变量处理过程中丢失重要变量信息。因此,本文采用一种寻找变量最佳组合的优化算法,有效提升数据信息量的同时,还极大地提升了基于预处理偏最小二乘算法的故障检测性能。总体主成分回归（TPCR）属于典型的PCA方法,存在高强度和低强度故障下性能不稳定的问题。因此,本文在CARS预处理方法的基础上,进一步提出了更深层的变量空间分解方法,并将其与MPLS后处理算法相结合形成完整的线性系统故障诊断框架,实现过程变量空间的彻底分解,解决了性能稳定性差的问题。通常情况下,改进的偏最小二乘算法进行故障诊断的对象为静态系统。但实际产生过程中,系统内部逻辑复杂、相互影响,导致系统当前状态还受到历史状态的影响。因此,需要探究一种将MPLS扩展到动态领域的方法。本文在MPLS基础上融合ARMAX动态模型提出了EPLS方法,该方法增强了MPLS方法的动态故障诊断能力。