石油加工过程具有参数多、随机干扰严重、非线性强、滞后大及时变性强等特点，难以建立精确的数学模型，而关键的油品质量及成份等参数无法在线监测，是一类典型的复杂工业过程。本文针对某炼油厂重整加氢装置预加氢分馏汽油干点无法实时在线监测的问题，详细分析和讨论了利用软测量技术解决这一问题的可行性，并对软测量建模全过程进行了深入研究；编制了通用数据采集和预处理软件包，建立了基于人工神经网络和支持向量机的软测量模型，结合仿真技术对软测量在该装置的应用进行了研究。在本文最后，指出软测量仪表作为一种在线预测技术，通过与实验室分析化验手段相结合，为解决复杂过程不可测变量的实时估计和控制提供了一条很好的途径，但是软测量仪表要想完全取代传统的化验分析方式对不可测量进行测量还有很长的路要走。 本文所做主要工作包括： (1)在装置DCS上采集了与主导变量相关的25个辅助变量的8个月的全部生产及化验数据，通过数据预处理和相关性分析后保留了21个辅助变量的500组原始数据样本。并编制了基于matlab的数据采集和预处理软件包，以提高建模和仿真效率。 (2)对BP和RBF神经网络及其算法进行了详细分析，提出一种基于RBF网络的加权移动建模方法，该方法通过对距离当前预测较近的样本产生的误差加以较大的权重的方法对模型进行修正，以在较短的时间内克服干扰从而提高模型的泛化能力。 (3)介绍了支持向量网络的基本概念和原理，讨论了支持向量机的分类和回归算法，研究了利用支持向量回归算法进行软测量建模的方法，结合PCA主元分析法和支持向量网络对重整加氢装置预加氢汽油干点数据进行建模和仿真，并通过仿真对本文提到的几种软测量模型的预测效果进行了分析和比较。 (4)针对软测量实施过程中辅助变量规模难于确定的困难，提出一种基于最小均方预测误差(LSE-LeastSquareError)的辅助变量集选择算法，并通过重整加氢装置预加氢汽油干点数据进行了仿真和对比分析，实验表明与PCA主元分析法相比，使用本算法选择辅助变量所建立的软测量模型取得了更好的泛化能力，并能够为分析各辅助变量对主导变量影响的提供参考信息。