现代工业过程朝着规模化、大型化、复杂化方向发展。对于现代工业生产过程而言，发生任何一个微小的故障都极有可能会造成巨大的经济损失以及人员伤亡。确保生产过程安全运行，对于现代工业至关重要。过程监测是一种确保生产过程安全、提高产品质量的有效手段。传统的针对每一个变量实行单独监测的方法变得不再可行，此外针对这些工业过程建立精确的解析模型也变得越来越困难。随着集散控制系统在工业过程中的广泛应用，能够有效反映工业生产运行状态的大量过程数据被记录了下来，基于数据驱动的过程监测技术在近年得到了快速的发展，基于多元统计的过程监测方法成为了现代工业过程故障监测领域的研究热点之一。　　在实际工业过程中产生的数据通常包含多种复杂的特性，例如多模态、非线性、强关联、数据分布复杂等，给传统的多元统计过程监测方法带来了一系列挑战问题，极大的限制了传统多元统计过程监测算法的应用。弥补传统监测方法的不足，更多地挖掘过程的局部信息，更为有效的提取过程特征，研究一些普适性更强的监测方法显得十分必要。　　非负矩阵分解算法(Non-Negative Matrix Factorization，NMF)是一种十分新颖的矩阵分解算法。因其对隐变量具有正向纯加性的特点，在对数据进行降维的过程中，能够较好地保留数据的局部特性，具有更好地数据解释能力。本文主要研究将非负矩阵分解应用到化工过程的故障监测中，考虑原始数据样本点之间的局部结构需要保持的问题，研究一种基于局部投影保留-广义非负矩阵分解算法的化工过程故障监测方法。针对化工过程常存在多种生产模态的问题，本文提出了一种基于非负矩阵分解的多模态过程故障监测方法。此外，针对复杂化工过程中，各模态间经常会发生过渡的问题，提出了使用NMF方法进行带过渡过程的模态划分方法。本文的研究工作主要体现在以下几个方面:　　(1)引入了一种广义非负矩阵分解的思想，使非负矩阵分解方法的应用范围得到了的拓展。考虑原始样本的局部几何结构保持的问题，将局部投影保留方法作为非负矩阵分解过程的约束项，提出了局部投影保留-广义非负矩阵分解的化工过程故障监测方法。　　(2)针对现代化工过程常常存在多个模态，而造成多峰性的问题，提出了一种基于NMF方法的多模态过程故障监测方法。首先使用非负矩阵分解算法对训练数据进行模态的划分，改进非负矩阵分解算法（稀疏性正交非负矩阵分解，SONMF）对各模态单独建模，进行故障监测。　　(3)针对在多模态过程中，过渡过程的数据特性往往和各单一稳定模态的数据特性不同的问题。提出了一种使用NMF方法与支持向量数据描述方法(SVDD)相结合的带过渡过程模态划分方法，该方法能够将带过渡的多模态样本数据较为准确的划分到各稳定模态以及过渡模态中。　　最后，通过将本文的研究成果应用于典型的数值例子、Tennessee Eastman过程仿真测试平台等进行有效性验证，并通过与相关算法进行对比，证明所提算法具有一定的优越性。