En los últimos años, el aprendizaje profundo ha sido ampliamente utilizado en el monitoreo de procesos debido a su fuerte capacidad para extraer características. Sin embargo, con el aumento de las capas de la red profunda, la compresión de características por el modelo profundo conducirá a la pérdida de información valiosa y afectará el rendimiento del modelo. Para resolver este problema, se propone un método de detección de fallas basado en un auto-codificador apilado mejorado discriminante. Se diseña una estructura de red de auto-codificador apilado mejorado, y los datos originales se agregan a cada capa oculta en el proceso de pre-entrenamiento del modelo para resolver el problema de pérdida de información en el proceso de extracción de características. Luego, la red de auto-codificación se combina con el análisis discriminante del núcleo de regresión espectral. La información de la categoría de falla se introduce en las características para optimizarlas y mejorar la discriminación de las características extraídas. La distancia euclidiana se utiliza para la detección de fallas basada en las características extraídas. A partir del experimento del proceso Tennessee Eastman, se puede observar que la precisión de detección de este método es aproximadamente un 9.4% más alta que la del método tradicional de auto-codificador apilado.