现代化制造工业的生产环境通常非常复杂,发生事故的后果是不堪设想的,而故障诊断技术可以有效地提高系统的安全性,降低事故风险,提高经济效益。数据驱动的故障诊断技术能避开机理建模困难的问题,它是基于工业过程中实时采集的海量数据来分析故障,已经成为了企业界和学术界关注的热点之一。基于多元统计分析的方法被广泛应用于工业过程监控。在检测到故障发生后,往往还需要对故障进行溯源,追踪并定位故障变量。传统的故障诊断方法包括贡献图方法、基于重构贡献(RBC)的方法和贝叶斯决策的方法,但这些方法都不同程度地存在着下列问题:其一是“污染效应”的影响,即正常变量受到故障变量的影响被误判为故障;其二是多故障、微小故障的复杂情形下,已有的方法无法提取有效的故障特征,造成误判和漏判;其三是计算的复杂度过高,不具有实际应用价值。针对这些问题,本文提出了基于改进Fisher判别分析的故障诊断方法。首先从几何角度分析了Fisher判别分析的分类思路,在此基础上对其进行改进,调整了分类的原则,以提取出故障特征;然后将传统的RBC拓展到了多维度的层面,并结合提取出的故障特征,对故障变量进行了定位;最后通过工业过程案例验证了该方法的有效性。该方法很好的解决了多维度故障的诊断问题,能区分故障变量间的主次关系,并且适用于更微小的故障,另外大幅度的降低了诊断复杂度。接着,本文还提出了基于贝叶斯理论与多维度重构贡献的故障诊断方法。首先训练正常数据集获取变量的概率密度函数,定义了“偏差因子”概念,并推导出其概率模型,再通过贝叶斯理论计算出后验概率,然后结合多维度RBC确定了故障变量。最后通过工业过程案例验证了该方法的优越性。与基于改进Fisher判别分析的方法相比,这种方法的解释能力更好,后验概率更具有指导意义,另外还进一步提高了对微小故障的适应能力。