（3）多尺度方面的扩展
以上方法都是在时间尺度上建立单一模型。Bakshi(1998)指出，工业过程数据本质上是多尺度的。在单一尺度上建立的模型对于某些尺度上的事件可能并不灵敏。而小波变换是一种信号的时间一尺度(时间一频率)分析方法，它具有多分辨率分析的特点，为解决多尺度问题提供了可能。小波变换的实质就是对测量信号进行多尺度分析，信号中的高频信息包含在高尺度上，而低频信息包含在低尺度上。于此，产生了多尺度PLS(Multiscale PLS)的方法，但这个名称几乎不被引用，人们习惯将其称为“小波偏最小二乘法”或者“小波变换一偏最小二乘法”。目前该方法多应用于建立预测模型和相关分析，如王延勇等将小波与偏最小二乘光度法相结合应用于铜矿石相态分析，性能明显优于PLS方法。颜杰等将小波变换一偏最小二乘算法用于复方甲硝哩注射液体系，也取得良好效果。
（4）其他扩展方法
A.针对间歇过程，Nomikos和Macgregor“提出了多向PLS(Multi-way PLS，MPLS)方法，对过程进行监控。现实过程中的数据大都存在离群点，易使MPLS模型产生较大误差。针对MPLS统计监控受离群点影响的问题，董胜利等提出一种基于鲁棒MPLS的统计方法．相对于普通MPLS而言，鲁棒MPLS在建模数据中存在离群点时仍能给出正确的统计监控模型，降低了对建模数据的要求。
B.多块PLS：多块数据分析方法最早应用于社会学和计量经济学，MacGregor等，把这一方法应用到故障诊断领域，这种具有层次性的多变量监控方法，可以更好地定位过程中故障的来源。
C.递推PLS：随着时间的推移，测量对象的特性和工作点都可以发生变化，因此必须对模型进行在线校正，才能适应新工况。Helland等提出了一种递推部分最小二乘算法，该算法利用原模型的输入输出负载向量矩阵及回归因子矩阵，同新的数据块组合，构成在线训练模型的数据矩阵。这样的处理方法以压缩形式保留旧数据的特征信息，不会增加训练数据矩阵的文数，在学习新的过程特性的同时避免对旧数据重复建模。从而大大提高了PLS模型的在线更新速度。[3]
为了推动PLS的应用发展，1987年瑞典的UMETRICS公司开发了在Windows下运行的SIMCA—P数据分析软件，用来支持PLS的计算和结果解释。美国特征向量公司(Eigenvector Reasearch)开发的在Matlab环境下运行的PLS软件包也是一个很好的进行统计分析的软件包。随着统计学在过程控制领域应用的深入，关于统计控制的商业软件也逐渐增多 过程监控国内外研究现状(4):http://www.youerw.com/yanjiu/lunwen_3155.html