在实际电熔氧化镁的生产过程中,由于设备的结构与组成十分复杂,生产规模较大且复杂,导致生产过程中产生的数据爆炸式的增长,并且生产过程中对其监控是极其困难。由于对物料电极的调控不准确,最终导致产品产量较低,质量较差等问题,甚至是重大故障灾害。针对电熔氧化镁的过程自动化程度极低,过程易发生故障难以监测等问题,本文提出一种基于聚类假设的故障检测方法来改善对生产过程的监控。针对以上问题本文主要做了以下研究;针对电熔镁炉生产过程中采集到的数据数目过多,特征维数过高且数据间具有非线性关系并且相关性较大,本文提出了 一种基于流形学习的工业异构数据的故障检测方法并且针对该方法存在的一些问题进行了改进。针对以上问题本文主要做出了一下研究:（1）针对电熔氧化镁的生产过程化学信息较难采集,监测困难,易发生故障的问题,本文提出一种基于半监督核主元分析的工业数据故障检测方法。此方法利用核主元分析（KPCA）方法,依靠主元进行故障检测对冗余特征进行剔除,然后结合聚类假设修正半监督KPCA方法对于数据间的局部信息的忽略,造成数据的严重混叠的问题。实验证明,基于半监督核主元分析的工业故障检测方法的对于故障的识别不仅准确度高而且速度快,最终可以更好的指导实际生产。（2）针对电熔氧化镁过程中采集到原始数据的来源较多,特征维数过高,存在着冗余特征的情况等。本文提出一种基于流形学习的工业异构数据的故检测算法,该算法同时考虑到了生产流程的物理变量和图像视频。由此实现对多个信息源的异构,发现数据源之间的关联关系,以达到联合建模的目的,使得后续故障检测与检测过程仅需在一部分特征上构建模型,则维数灾难的问题将会大大缓解。另一方面,在通常使用高维特征的这些工业故障检测与检测方法中,利用原始特征中选择后得到的特征有助于降低计算成本,节省存储空间并降低过度拟合的机会。（3）针对电熔氧化镁工业生产过程中采集到的数据标签较少,同时对数据进行人工标记要耗费较多的人力与物力,本文提出了一种基于流形学习的半监督工业异构数据的故检测算法。该算法改进了原有算法需要对数据集每一个数据进行标记的问题,只需对少量数据进行标记,利用损失项和偏移量来解决标签信息减少可能带来的特征提取的不准确,使得特征提取后的数据尽可能还原原有数据特征。