An improved stage-specific multivariate calibration scheme is developed for multistage batch processes based on the covariance analysis unit. First, the process duration is automatically and properly divided into different stages, which reveals the changes of quality-related process correlation characteristics. The concept of stage-representative average process behaviour is then introduced, which is comprehensibly realized by averaging all covariance patterns within the same stage based on different weights. In this way, it stacks the cumulative effects of process variations on quality within each stage and meanwhile considers their time-varying characteristics. Subsequently, covariance-oriented OSC and variable selection are effectively combined, which can simplify the calibration model structure and enhance the causal relationship between predictors and quality by excluding the redundant latent factors and input variables. Finally, stage-representative PLS regression models are developed focusing on the critical-to-quality stages for online quality prediction. It shows that a complete multistage calibration solution is readily achieved from an "overall" stage perspective by smartly making use of covariance. The illustration study to injection molding shows the effectiveness of the proposed method for improving process comprehension and quality prediction.On a mis au point un schéma amélioré d'étalonnage multivarié pour des procédés discontinus multi-étapes, spécifiqueà chaqueétape, basé sur l'analyse des covariances sans tenir compte de chaque variable de procédé. En premier lieu, la durée de procédé est automatiquement et correctement divisée en quatreétapes différentes, révélant le changement des caractéristiques de corrélation de procédé liéà la qualité. Le concept de comportement de procédé moyen représentatif d'uneétape est alors introduit, ce qui se réalise de façon complète en moyennant tous les profils de covariance d'uneétape donnée avec différentes pondérations. De cette façon, on tient compte dans la qualité des effets cumulatifs des variations de procédé spécifiquesà chaqueétape et considère de ce fait leurs caractéristiquesévolutives. Par conséquent, l'OSC orienté vers la covariance et la technique de sélection des variables sont combinés efficacement afin de simplifier la structure du modèle d'étalonnage et améliorer la relation causale en excluant les facteurs latents redondants ou les variables d'entrée. Enfin, des modèles de régression de type PLS représentatifs desétapes sont mis au point, mettant l'accent sur lesétapes critiques en terme de qualité pour la prédiction de la qualité en ligne. Cela montre qu'une solution complète d'étalonnage multi-étapes peut se réaliser parfaitement en utilisant bien la covariance. L'illustration dans le cas du moulage par injection montre l'efficacité de la méthode proposée pour la compréhension du procédé et l'amélioration des prédictions.