随着科技进步,现代工业过程系统庞大且复杂,为了提高产品质量和保证企业生产效益,工业过程质量预测显得尤为重要。由于传感器系统和先进计算机技术的快速发展及普遍应用,使得工业生产过程中大量的过程数据得以采集并保存下来,如何从大量的工业历史数据中挖掘提取出与产品质量相关的特征信息,已经引起了国内外工业过程领域专家的热切关注。基于多元统计回归的工业过程质量预测方法得到了飞速发展,如多元线性回归（Multivariable Linear Regression,MLR）、主元回归（Principal Component Regression,PCR）、偏最小二乘回归（Partial Least Squares,PLS）。核偏最小二乘（Kernel Partial Least Squares,KPLS）是用于过程数据非线性建模的核心方法之一,能够有效解决非线性问题,提高质量预测效果。虽然核偏最小二乘（KPLS）方法在质量预测领域取得了丰硕的研究成果,但是仍然存在许多问题值得进一步研究,比如如何选取核函数及核参数,如何将不同性质的核函数结合起来等。本文在现有的研究基础上,以核函数及核参数的优化为研究重点,提出两种新的优化核函数的质量预测方法,具体如下:1)针对已经提出的非线性质量预测方法不能够准确选择核函数及相应核参数的问题,提出一种基于组合编码遗传算法的核函数及核参数优化的质量预测方法,用于非线性过程质量预测。首先,通过组合编码的方式将不同类型的核函数及核参数进行编码,并根据不同类型核函数参数取值范围随机生成初始种群;然后通过遗传算法进行迭代优化,该方法能同时优化出最优核函数及其核参数;最后,通过TE仿真平台的对比实验证明了该方法的可行性,以及对比依据经验选取核函数及参数的KPLS质量预测方法的优越性。2)针对目前已有的基于径向基核函数的KPLS质量预测方法不能同时获得良好的外推和内插能力的问题。本文在已有的核函数性质研究基础上,提出了基于混合核函数的KPLS质量预测方法。首先,对径向基核函数和多项式核函数进行组合,综合两种核函数的优点,构造出更加灵活的混合核函数;然后,通过遗传算法优化权重系数;接着,利用混合核函数建立KPLS质量预测模型;最后,通过TE仿真实验,验证了混合核KPLS方法在质量预测上比单独使用径向基核和多项式核的KPLS质量预测模型具有更高的预测精度和更优的预测效果。