针对具有非线性和多模态特征过程的故障检测问题, 本文提出一种基于k 近邻主元得分差分的故障检测 策略. 首先,通过主元分析(Principal component analysis, PCA) 方法计算样本的真实得分. 然后, 应用样本的k 近邻均值计算样本估计得分. 接下来, 通过上述两种得分计算样本的得分差分矩阵和残差矩阵, 其中残差矩阵由样本的估计得分计算得到，这区别于传统方法. 最后, 在差分子空间和残差子空间中分别建立新的统计指标进行故障检测. 值得注意的是本文的得分差分方法能够消除数据结构对过程故障检测的影响, 同时, 新的统计量能够提高过程的故障检测率. 将本文方法在两个模拟例子和Tennessee Eastman (TE) 过程中进行测试, 并与传统方法如PCA、KPCA、DPCA 和FD-kNN 等进行对比分析, 测试结果证明了本文方法的有效性.