随着现代化选矿工业流程生产水平的不断提高以及自动控制技术的不断进步,磨矿分级生产过程正朝着自动化和智能化方向发展。为了保证生产的安全、稳定以及更高的经济效益,对磨矿分级生产过程的故障进行监测变得越来越重要。目前过程监测领域的主流方法是基于数据驱动的方法,它是以采集到的过程数据为基础,利用系统在正常和各种故障情况下的历史数据训练的分类器来实现故障诊断。但是,对于一个新建的生产过程或一个建模数据与测试数据分布不同的过程,由于缺少必要的运行经验和大量的运行数据,传统的数据驱动方法通常难以适用。因此,本文以磨矿分级生产过程为工业背景,对基于模型迁移学习的过程监测方法展开研究,主要的研究内容如下:（1）首先对过程监测方法进行总结概括,然后分析基于数据驱动过程监测方法的研究现状,最后通过对现有过程监测方法无法解决的问题引出模型迁移学习,并对模型迁移学习的研究现状及相关方法做详细概述。（2）在选矿生产工艺流程中,由于生产原料、生产条件以及设备参数的变化,导致其生产过程的特性具有时变性和不确定性。为了适应过程的变化,通常需要重新建立新过程的监测模型,建模工作中需要大量的过程数据和标记信息,且建模效率较低。针对新工业过程仅有少量标记样本的问题,本文提出基于LST-KSVC模型迁移学习算法,将旧过程的监测模型迁移至新过程中,并结合新过程的少量标记样本再继续学习,从而实现在旧过程的先验模型基础之上建立新过程的监测模型。（3）针对新工业过程无标记样本的问题,本文提出基于神经网络模型迁移方法,该方法训练旧过程模型的同时,将其模型参数迁移至新过程,利用最大均值差异度量作为反向传播训练中的正则化,使得两个过程神经网络模型的隐藏层分布更加接近。另外,通过增加网络深度提高提取特征的表示能力,引入批标准化提升模型训练的收敛速度。（4）在仿真实验中,针对磨矿分级生产过程中实际遇到的以上问题,本文首先利用TE仿真工业过程平台的数据对以上提出的两种方法的有效性进行验证;然后,利用磨矿分级生产过程的真实数据验证提出方法的实用性。