特征提取是数据驱动的过程监测方法中影响监测性能的关键步骤,也是过程监测领域的研究热点。作为其中应用最广泛的特征提取算法,以主元分析法及其拓展为代表的多元统计算法关注由各阶统计量表示的数据全局特征,忽视了以邻域信息为代表的数据局部特征,导致部分重要特征被噪声掩盖,引起故障监测性能的下降。因此全局-局部特征提取算法被提出,即在关注数据全局特征的多元统计算法基础上,引入流形学习算法以同时关注数据的局部特征,实现对数据特征的全面提取。现有研究集中在对不同数据特性的改进,忽视了其实现过程中对数据特征的描述与度量存在的偏差。此外,上述特征提取算法在过程监测中大多关注于对正常工况数据的特征提取,忽视了对历史故障数据中信息的考虑。基于上述两点不足,本文提出了下列研究内容:针对实际数据分布的非均匀情况,本文通过构建自适应邻域与引入测地距离,改进对数据局部与全局特征的描述与度量,提出一种基于改进全局-局部保留投影的过程监测方法,提高了对故障的检测能力。在该方法的基础上,本文考虑其局部特征提取部分所确定邻域关系中数据曲率的影响,通过基于曲率的权重修正线性切空间排列算法中对邻域切空间的估计,提出一种新的全局-局部特征保持投影算法,进一步实现对数据特征的全面准确提取。上述监测方法通过与同类监测方法的监测结果对比说明了数据特征准确提取的必要性。为进一步考虑历史故障数据中包含的判别特征,本文提出一种基于全局-局部边缘判别保持投影的过程监测方法,通过费舍尔准则整合基于全局-局部特征的内在特征提取与多边缘费舍尔分析的判别特征提取,即利用历史故障数据,强化了正常工况数据与异常数据之间的判别特征的提取,以获得能够最佳区分正常工况与故障的特征空间,实现对历史故障检测能力的进一步提升。该方法通过仿真案例中监测结果的对比说明了其有效性。