工业过程对于国家的经济贡献的重要性是显而易见的,由于工业设备大都工作在苛刻工作环境下,这使得它们的故障发生的概率大大增加,而使用先进的故障检测技术及时的检测出故障的发生,防止后果的进一步恶化就显得尤为重要。相对于其他的故障检测方法,基于数据驱动的故障检测方法省去了对监控对象建立数学模型或者知识规则库的麻烦,该方法通过一定的算法直接提取出传感器数据里的特征信息,具有很好的适用性和可靠性。基于数据驱动的工业过程故障检测方法的研究成为目前的研究热点。独立成分分析(ICA)是数据驱动方法中的一种经典的方法,ICA可以提取出观测数据背后隐含的独立成分,并构建高阶的统计量,其对故障信息更加的敏感,这引起了许多研究人员的关注。然而,目前对于ICA的方法研究还存在着许多不足,如:方法的鲁棒性和准确性不强;阈值选取不合理;对微小故障的检测效果较差等。本文致力于解决目前ICA方法研究还存在的问题。主要内容包括:(1)针对传统ICA算法的鲁棒性和准确性不强的问题,提出一种基于生物地理学(BBO)算法与ICA相结合的方法:BBO-ICA。该方法使用BBO来代替经典的牛顿迭代法来实现独立成分的提取,解决了传统FastICA算法对初始点敏感和容易陷入局部极小值的问题,提高了ICA算法的鲁棒性和准确性,并在DAMADICS过程的仿真分析中验证了该方法的有效性和优越性。(2)针对传统的监控阈值选取不合理的问题,采用一种支持向量数据描述(SVDD)算法与ICA结合的方法:ICA-SVDD。该方法采用SVDD算法对投影到高维空间里的独立成分采用超球体包络,以超球体的半径作为监控阈值。ICASVDD可以克服传统核密度估计法在数据过于分散或者集中的情况下,有可能导致确定出的监控阈值不合理的问题,同时也给阈值的选取提供了一种新的思路。并首次在TE过程中验证了该方法的可行性和优越性。(3)针对传统ICA算法对微小故障的检测效果较差的问题,采用一种典型变量分析(CVA)算法与ICA结合的方法:CVA-ICA。该方法首先采用CVA估计出观测数据里的典型变量,再通过ICA分离出其中的独立成分。CVA-ICA解决了传统ICA算法于非线性数据预处理效果较差的问题,提高了对于微小故障的敏感性和检测能力。并在TE过程中验证了该方法的有效性和优越性。最后,对全文进行了总结,并指出了未来的研究方向和还需要解决的问题。