Los algoritmos de agrupamiento y los métodos de aprendizaje profundo se han aplicado ampliamente en el monitoreo de procesos multimodales. Sin embargo, para los datos del proceso con modo desconocido, los métodos de agrupamiento tradicionales apenas pueden identificar automáticamente el número de modos. Además, los métodos de aprendizaje profundo pueden aprender características efectivas de datos de procesos no lineales, aunque las características extraídas no pueden seguir la distribución gaussiana, lo que puede llevar a un límite de control incorrecto para la detección de fallas. En este documento, se propone un método de monitoreo integral basado en el agrupamiento de picos de densidad modificado y el autoencoder variacional paralelo (MDPC-PVAE) para procesos multimodales. Primero, se presenta un algoritmo de agrupamiento novedoso, llamado MDPC, para la identificación y división de modos. MDPC puede identificar el número de modos sin conocimiento previo de la información del modo y dividir todos los datos del proceso en múltiples modos. Luego, se establece el PVAE basado en datos multimodales distintivos para generar las características no lineales profundas, en las cuales las características generadas en cada VAE siguen la distribución gaussiana. Finalmente, las representaciones de características gaussianas obtenidas por PVAE se proporcionan para construir las estadísticas, y los límites de control se determinan mediante el método de estimación de densidad del núcleo (KDE). La efectividad del método propuesto se evalúa mediante el proceso de Tennessee Eastman y el proceso de grabado de semiconductores.