作为先进过程控制技术的代表,模型预测控制（Model Predictive Control,MPC）在工业生产过程中已经得到广泛应用。MPC系统的控制性能监控（Control Performance Monitoring,CPM）技术对保障控制系统长期安全平稳高效运行起着极其重要的作用。传感器技术和分布式控制系统的快速发展和普及使得海量的工业过程数据得以被采集和存储,为基于数据驱动的CPM技术的发展提供了宝贵的机遇。慢特征分析（Slow Feature Analysis,SFA）作为一种新兴的数据驱动方法,能够有效的从过程数据中提取稳态特性和时序动态特性信息,因而受到研究人员的普遍关注。现有基于数据驱动的MPC性能监控方法存在未充分考虑过程数据的时序动态特性、多模态特性等关键问题,针对上述问题,本文结合MPC特有的控制结构,深入研究基于SFA的MPC性能监控方法,提出多种改进算法。主要研究工作和取得的成果如下:（1）针对当前SFA性能监控方法无法指示性能变化方向问题,提出基于增强多步SFA（Multi-Step SFA,MSSFA）的MPC性能评价方法。首先,构建新的SFA等价目标函数,进而推导出慢特征的慢度与过程数据自相关性之间的关系,并利用该关系构造可预报指标以指示性能变化方向。然后,为了克服过程数据信息利用不充分的问题,进一步提出增强多步SFA的MPC性能评价方法。该方法通过将慢特征的时间导数由一步扩展到多步,建立MSSFA模型,并最终构造了增强的可预报指标用于评价MPC控制性能。数值例子及连续搅拌槽加热器过程系统上的仿真结果表明,所提出的方法能够有效评价MPC性能,并给出性能变化的方向。（2）针对传统SFA方法所选取的主导慢特征未充分反映全部过程变量信息的问题,提出了基于全变量SFA（Full Variable SFA,FVSFA）的MPC性能实时监控方法,并设计出相应的性能分级策略。首先,通过推导SFA的等价目标函数得到慢特征对过程变量信息的表达权重矩阵,并利用该权重矩阵选择主导慢特征以最大程度地反映过程变量信息。然后,构造性能监控指标,从稳态性能和动态性能两个维度实时监控MPC系统的性能变化。一旦检测到性能出现变化,进一步结合增强可预报指标设计性能分级策略,对当前控制性能进行分级。数值例子及Wood Berry二元精馏塔过程系统上的仿真实验结果表明,所提出的方法能够有效的提升对MPC性能变化的检测效果并进行性能分级。（3）针对多模态过程的MPC性能监控问题,提出了基于贝叶斯混合SFA（Bayesian Mixture SFA,BMSFA）的多模态过程MPC性能监控方法。首先,在贝叶斯框架下,将概率SFA局部模型的概率密度函数进行线性组合建立其概率混合模型,并采用期望最大化（Expectation-Maximization,EM）算法估计其最优参数。然后,对得到的局部SFA模型构造其稳态及动态性能监控指标,并根据过程数据的后验概率判别其所属的局部模型,进而实现性能监控。在Wood Berry二元精馏塔和连续搅拌槽加热器过程系统上的仿真实验结果表明,所提方法对多模态过程MPC性能监控效果优于传统SFA方法和FVSFA方法。（4）针对MPC性能恶化源识别问题,提出了基于SFA-PLS交叉积矩阵非相似度分析的MPC性能识别方法。首先,构建过程变量与被控变量在稳态特性和动态特性上的SFA-PLS交叉积矩阵,以表征过程变量和被控变量间的相关关系。然后,对SFA-PLS交叉积矩阵进行非相似度分析,得到非相似度子空间及其特征值,进一步建立了基于L2-Hausdorff子空间距离和特征值非相似度加权融合的性能识别方法,对性能恶化源进行识别。在Wood Berry二元精馏塔过程系统上的仿真实验结果表明,所提的方法能够准确识别性能恶化源。