工業系統的數據采集過程中往往不可避免的會有數據遺失的現象， 數據遺失不僅影響過程監控的效果甚至會導致無法執行過程監控。在連續過程的分析中，數據會因傳感器的故障或者定期的離線維護而遺失; 各種的設備故障或者響應超過設備可探測范圍，會引起數據的遺失，這些數據的遺失是隨機的。還有些情況數據的遺失是規則的， 最常見的情況就是傳感器的采樣周期不同造成的數據遺失。數據重構不僅用于過程監控中一些監控指標的確立上，還可用于建立過程的統計模型，從而預測過程趨勢或產品產、質量等。大部分連續系統的數據分析過程不允許遺失數據的存在， 因此需要重構數據。重構方法很多，目前最常用的是主元分析法 （Principal Component Analysis， PCA）進行數據重構，在主元分析中， 評價當前采樣數據是否符合主元模型的指標為平方預測誤差（Squared Prediction Error， SPE），該指標量測的是變量之間的相關關系。通過建立正常數據的 PCA 模型，然后將當前含遺失數據的采樣數據代入該模型并計算出 SPE 的表達式， 在保證 SPE 值最小的情況下， 也就是保證變量之間相關關系盡量不變的前提下，實現了由正常的數據重構遺失數據。但是這種方法應用的前提是不考慮變量間的自相關性， 而實際工業過程大都含有強自相關。本文針對近年來統計過程監控領域中出現的能解決自相關問題的規范變量分析法 （Canonical Variate Analysis， CVA） 進行過程故障診斷的需要， 提出了基于 SPE 指標的 CVA 數據重構方法，并將其應用于一實際的化工吸附分離過程，考慮到此化工過程存在反饋環節，變量間既存在互相關，同一變量也存在自相關，運用 CVA 進行遺失數據重構，取得了比 PCA 方法更好的重構效果，開拓了遺失數據處理的思路。