随着科学技术的发展,现代工业生产机器体型即硕大又复杂。同时,这些大型繁杂的系统中可能存在着耦合性、非线性等问题。因此,很难完全依靠传统方法建立精确的物理模型进行管理监控。基于多元统计的故障检测方法不需要对系统有丰富的先验知识,也不需要建立精准而复杂的模型,只需要通过对采集的数据进行分析来判断系统是否有故障发生。此外使用合理的方法,可以建立系统中所关注质量相关变量的模型,这样可有效的避免因采集到的数据存在野值或无关异常数据而产生警报。基于多元统计的故障检测方法不仅提高检测的有效性和准确性,而且通过降低停产检修次数提高了生产效率,节约了生产成本,并受到了广泛的关注。本文以多元统计方法中的主成分回归（Principle Component Regression,PCR）和改进的主成分回归（Improved Principle Component Regression,IPCR）为研究基础,针对其不足进行改进,研究中以田纳西伊斯曼过程（Tennessee Eastman Process,TEP）为测试对象进行故障监测。具体工作内容如下。（1）汇总多元统计的基本方法:主成分分析（Principal Component Analysis,PCA）和PCR以及IPCR算法。详述三类算法的理论以及其于三种算法的故障检测方案,同时也为后续的算法介绍和分析做了铺垫。（2）针对IPCR对TEP的故障检测中采用T2统计量对故障进行检测,考虑其阈值固定不变所带来的误报以及漏报的问题,提出可调节阈值IPCR算法。该方法首先用正常数据建立IPCR模型,并获得传统T2的固定阈值;其次,在线检测过程中,结合固定阈值并根据统计量的指数加权移动平均值,获得对应的阈值,用新得到的阈值进行故障检测。最后,在TEP中进行仿真,结果表明该方法能有效的降低误报率,改善了对TE系统的相关故障检测能力。（3）针对TE（Tennessee Eastman）系统中存在的某时间段内反馈型故障可通过系统内部自行调节恢复正常,但采用主成分分析（Principal Component Analysis,PCA）以及IPCR等故障算法进行监测中,却产生持续性报警问题,提出了一种修正标准主成分回归的质量相关故障检测方法（Improvement Standard Principal Component Regression,ISPCR）。该方法首先选用互信息筛选出与质量更加相关的变量,排除了无关变量的干扰;其次,选用两个质量变量对应统计量的均值来判断系统是否发生故障;最后,为验证ISPCR方法的有效性,实验中与IPCR、PCA进行对比分析,仿真验证ISPCR方法不仅在反馈型故障中有着突出的检测效果,在其他故障检测中的效果也比较好。