随着工业开始朝着大规模、复杂化的方向发展,针对工业生产的过程监控和故障检测成为了工业系统中备受关注的问题之一。如何从大量数据中挖掘出隐藏的有用信息,使其能够服务于生产安全和产品质量控制,已经成为了迫切需要解决的问题。在这种工程背景下,基于数据的多元统计方法受到了人们的广泛关注,并被成功应用于过程建模、监控和控制领域。传统的多元统计监控方法以主成分分析(PCA)和偏最小二乘(PLS)为主,这些方法通过降维的策略提取高维、变量相关的过程数据的主要信息,从而对过程的运行状况进行分析。而传统的多元统计方法延伸到间歇过程产生了多向主元分析(MPCA)和多向偏最小二乘(MPLS)等方法,这些方法被广泛应用于间歇过程故障诊断领域。但是传统的MPCA/MPLS在实际运用中有其局限性,表现在需要对批次未来数据进行预估,难以处理批次不等长数据等等,本文针对间歇过程多阶段、阶段不等长等特性提出了一种利用k-均值聚类方法结合传统PCA方法的多模型监控方法(简称KM-PCA),能够有效的对阶段不等长的间歇过程进行分析监控。之后针对KM-PCA方法存在的一些不足以及考虑到间歇过程中存在的时变特性,提出了一种引用即时学习策略(JITL)结合PCA方法(简称JITL-PCA)的间歇过程故障检测方法,并分别在青霉素发酵过程以及半导体生产过程上进行仿真测试,验证了方法的有效性。最后对两种方法的优劣进行了比较分析。