随着信息技术的发展,工业生产规模越来越大,生产过程也越来越复杂,对生产过程的有效监测和故障诊断受到越来越多的重视。能够及时、准确的发现生产过程中存在的异常和故障,并找出异常原因,既可以有效预测产品的质量,减少废品率,同时可以掌握设备的运行状态,降低设备的损伤,避免发生严重的生产事故。传统的过程监控和故障诊断方法,多基于机理模型或者数学模型。但在复杂的工业生产过程中,生产过程变量众多且相关性大、工序复杂、不确定性大,很难获取准确的机理模型或者数学模型。随着生产过程自动化程度的提高,海量的生产过程数据被采集,这些数据包含有丰富的生产过程信息,真实的记录和反应了实际生产过程的状态。如何从海量的生产过程数据中,提取出有用的信息,满足生产过程性能监测、故障诊断的需求,成为重要的研究课题。工业生产过程中,经常采集振动、温度、压力、电压、电流等过程数据,这类数据均属于非线性信号。递归图法可以将低维的非线性信号映射到高维的相空间,在高维相空间根据信号间的相关性,建立递归矩阵,表征信号的特征。该方法无需了解待分析信号的分布信息,对待分析信号的长度、稳定性等也无特别要求,适用于分析复杂系统的非线性信号。目前递归图法已经广泛用于物理、天文、生物等领域,但是在工业生产过程监控和故障诊断领域,鲜有研究。本论文引入递归图法,分析实际工业生产过程中的数据,结合统计质量控制理论,提出了多种工业生产过程异常监测和故障诊断算法。本论文的主要研究内容包括：(1)提出了基于递归定量分析的连续冲压过程异常监测算法,分析了冲压力信号与其对应的递归图之间的关系,提取出多种递归定量特征,有效解决了连续冲压过程“弱操作”工位的故障检测问题。对比已有的基于PCA的故障监测算法,本论文所提出的方法,在检测“弱操作”工位故障时,故障识别率从79%提高到91%。同时,针对递归图法阈值参数估计问题,提出了基于数据驱动的递归图阈值参数估计算法,最大程度的利用连续冲压过程数据的信息,寻找出最优的阈值参数。该阈值参数估计算法可以作为递归图阈值参数估计的普遍指导算法,能有效的应用于各种其他工业过程。(2)结合统计质量控制理论,提出了基于多元递归T2控制图的工业过程设备故障检测算法。该算法充分利用了递归图不同递归特征量所包含的信息,构建了一个新的多元递归T2统计量,并建立多元递归T2控制图。该算法成功的应用于仿真信号分析和实际轴承故障识别。由于多元递归T2统计量不满足高斯分布,传统控制图参数估计算法已不适用,本文提出了基于穷举法(Bootstrap)的多元递归T2控制图参数估计算法,估计控制界限。(3)为了有效表征不同递归图之间的相关性,提出了基准递归图和关联递归图的概念,关联递归图中元素值的大小直接反应了生产过程的状态。基于关联递归图的独特性质,提出了基于关联递归图的工业过程异常监测和故障诊断算法,该算法可以在生产过程故障信息未知时,自动检测出生产过程的异常,并判断出生产过程异常发生在什么时间以及发生在哪个环节。通过对仿真信号和连续冲压过程实际数据的分析,验证了该算法的有效性。