石油化工等流程工业的在线异常状态监测与诊断无论在学术研究或者工程应用领域都具有重要的意义,而独立分量分析(Independent Component Analysis, ICA)作为一类有效的多元统计分析技术,也正在逐步深入到工业过程监控及相关领域。随着流程工业生产对其运行性能要求的不断提高,建立更加有效的异常状态监测与诊断技术势在必行。为此,论文基于独立分量分析方法,对流程工业过程的在线异常状态监测与诊断问题进行了系统分析与深入研究,提出了新的方法和技术,主要内容包括：第一,提出了一个改进的ICA过程异常状态监测方法。针对传统ICA过程监测中关键独立分量选取的片面性,综合考虑独立分量、混合矩阵和观测信号之间的关系,提出系统偏差度量方法,用以表征不同独立分量在恢复观测信号中的不同作用,据此准确筛选独立分量；针对核密度估计(Kernel Density Estimation, KDE)对ICA统计量波动非常敏感的缺陷,提出通过Box-Cox变换(Box-Cox transformation)将统计量转化为正态分布数据,再依据传统方法确定其控制限。在上述问题处理的基础上,给出了改进的ICA在线异常状态监测技术方案,通过对连续过程和间歇过程的实例研究,验证了方法和技术的有效性。第二,提出了一种基于奇异值向量变化识别的ICA过程异常状态在线监测方法。针对连续过程操作模式切换或间歇过程阶段变迁的问题,兼顾数据变化的幅值和角度,提出奇异值向量欧氏距离的相对变化指标用以反映过程状态的改变,据此将整个过程划分为平稳子过程与过渡子过程交替的形式。对不同性质的子过程采用不同的处理方法：平稳子过程采用改进的ICA稳态过程监测方法；过渡子过程采用前后相邻的两个平稳子过程的线性叠加模型,叠加系数与采样时刻距离平稳子过程的远近成反比。由此建立多模式或多阶段的过程异常状态监测方法,通过区分过程的不同运行状态,显著地减少了误报率和避免了一定的漏报率,从而提高了ICA监测系统的可靠性。通过对连续过程和间歇过程的实例应用与分析,验证了方法良好效果。第三,提出一种基于重构联合指标贡献的过程异常状态监测与诊断方法。基于ICA的联合指标可减少统计量数目、集中体现异常状态影响、避免诊断结果冲突；故障重构方法可解决传统贡献图方法在“污点效应”(smearing effect)作用下的误诊断问题。因此,通过重构联合指标贡献,将二者有机结合成为一个过程异常状态诊断的综合系统,可显著简化计算、监测和分析过程,切实提高异常状态诊断的正确率。论文进行了相关的理论证明和实例验证。第四,提出了一种基于ICA与条件概率Petri网(Conditional Probability Petri Net, CPPN)集成的过程异常状态诊断方法。首先针对模糊Petri网反向推理过程盲目和能力不强等问题,提出了一个条件概率Petri网模型。在此基础上,建立了基于ICA-CPPN的两层过程异常状态监测与诊断系统,下层的ICA监测模型可以实时捕捉局部区域的动态变化,并为上层CPPN提供定量统计信息,而上层的CPPN模型整体表征异常状态在各个ICA局部区域的动态传播,由此可以进行深层次诊断。另外,对于下层的ICA模型由于过程分解为多个操作单元,使其计算负荷降低、模型精度提高,而上层CPPN模型由于单个变量的知识表示被局部区域的联合指标取代,极大地简化了库所数目,避免了状态爆炸问题。论文最后给出了基于ICA过程异常状态监测与诊断方法的结论,并且对需要进一步开展的研究方向和内容进行了展望。