近年来，人工神经网络因其构建具有不同程度非线性的灵活模型和有效处理大规模数据的卓越能力，在冶金、化工和机械制造业的过程监测中得到了成功的应用。然而，由于神经网络训练和初始化的高昂成本，该模型的独特性降低，导致故障检测性能更加波动。为了缓解这个问题，并受到生物神经元发射尖峰以传输信息的方式的启发，尖峰神经元被用于构建尖峰神经网络，将参数优化从传统的全局参数调整转变为两阶段分层过程。基于此，构建了类abrain离散模型的脉冲自动编码器（SNNAE）。通过数值算例，首先将SNNAE的训练过程与具有相同结构的人工神经网络的训练过程进行了比较，结果表明SNNAE在处理高度非线性数据方面具有更高的效率和精度。为了衡量其在故障检测中的有效性，然后通过相同的数值例子和三相流过程将SNNAE与最先进的方法进行比较，表明其能够显著提高非线性过程中的过程监测性能，同时显著降低其波动。关键词：人工神经网络、尖峰神经网络、故障检测、非线性过程、性能波动
