在现代工业系统中,对生产过程中重要过程变量的控制是极其必要的。因测量技术与仪器的限制,很多变量难以做到在线精准测量,随着工业信息化、智能化的发展软测量技术被广泛应用以解决这类变量的测量问题。软测量技术作为先进技术之一通过选取易测量的辅助变量对难测的目标变量进行建模估计,具有高精度、使用方便等优势,是现代工业系统中一个重要的课题。经典的数据驱动软测量建模方法如偏最小二乘(PLS)、支持向量回归(SVR)、高斯过程回归(GPR)等大多基于统计学习,针对小样本在短期平稳下能达到很好的预测效果,在长期的复杂过程且工况范围波动较大时需要分段集成处理或应用自适应方法,建模复杂,效果难以保证。同时在传统的软测量应用中,工业系统长期运行记录的大量易于采集的无标记数据没有得到有效利用,这些数据中包含大量反应系统运行的信息可有助于目标变量建模。针对这些问题,考虑到深度学习具有非线性能力强、自动特征提取、充分适用大样本、精度高、结构灵活等特点,本文以深度网络为基础进行半监督软测量建模研究利用无标记样本来提高复杂工况下软测量建模的泛化能力、鲁棒性及精度。论文参考传统半监督思想考虑深度学习领域中成熟的无监督任务与监督回归任务的结合,主要研究方面如下:(1)基于重构的无监督深度自编码器作为典型的深度特征学习方法可以利用无标记样本学习更抽象、鲁棒的特征,结合深度特征学习的半监督回归网络可以有效提高回归任务的鲁棒性。(2)考虑到工业数据的本征结构和流形特性,流形嵌入方法能够利用大量无标记样本挖掘样本的局部邻域信息,对样本特征进行局部约束,在回归网络中引入流形嵌入正则项,能大大提高模型的泛化能力,同时充分利用标记信息获得更高精度。(3)深度生成模型能很好地对分布进行学习,对抗生成模型(GAN)是近期效果强大的深度生成模型,通过结合GAN的判别与回归或利用对抗学习分布P(X,Y)在回归任务上引入分布的全局约束形成半监督建模,可有效提高预测能力和鲁棒性。(4)对几种半监督深度软测量模型在污水处理系统标准仿真数据及超超临界机组的历史数据上进行软测量建模实验,验证算法的有效性。