针对多向主元分析（multi-way principal component analysis，MPCA）算法用于间歇过程实施监控时需要将三维数据转换为高阶的二维矩阵，从而易导致算法的计算量大，且会丢失一些有用信息的情况进行了研究，提出了一种新的间歇过程故障诊断方法——二维主成分分析法（2-dimensional principal component analysis，2DPCA）。该算法首先利用各个批次的二维矩阵构造协方差矩阵，进而求得所有批次协方差矩阵的平均值进行建模，大大降低了计算复杂度，运算时间较MPCA缩短了19/20到3/4，且无须占用太多存储空间；同时，2DPCA计算协方差矩阵较MPCA更为准确，取协方差矩阵的平均值能够更加精确地反映不同类型的故障，在一定程度上增强了故障诊断的准确率。最后，通过将所提出的方法应用于青霉素发酵过程的监控中，验证了该算法的有效性和准确性。

将原始信号按照一定的规则进行重新组合，构成多向数据矩阵，利用多向主元分析方法将数据投影到主成分空间，实现信号的多层次分解。对人脸RGB图像及某模拟电路的一维输出信号进行了处理。结果表明，这种处理方法可很好地实现异常特征的空/时。域定位及可视化校正，校正出的图像可更好地显示皮肤纹理特征，校正出的一维信号则可更突出地反射原始信号中干扰信号的位置及时域特征。