随着计算机技术的快速发展和人民生活水平的不断提高,现代工厂的生产规模越来越大,对产品质量和过程安全的要求也越来越高。在实际工业过程中,一些需要控制的过程变量,如高炉铁水含硅量、硫回收装置尾气硫元素含量、发酵过程的转化率和其他涉及产品质量的重要变量,在现有的技术条件下很难实现直接或快速在线测量。为了满足对产品质量、生产效率和经济效益的需求,软测量建模已经成为工业过程常用的方法之一。本文针对具有多模态特性的工业生产过程,开展基于自组织学习的软测量建模研究。与传统方法相比,基于自组织学习的方法不需要太多的先验知识,能够更好地实现对多模态过程质量变量的实时估计。论文的具体研究工作如下:针对线性多模态过程,提出了一种基于自组织学习的软测量建模方法。在离线建模过程中,通过将多模态数据的模式识别问题转化为平面聚类问题,能够有效实现数据的模态划分;在线应用时,根据测试样本输入数据与各模式输入数据间的平均欧氏距离,判定测试样本所属模式,实现质量变量的有效估计;在此基础上,递归更新模型参数,实现模型的实时更新,以动态适应生产过程的变化。并将所设计方法应用于仿真案例和硫回收装置尾气含量的估计中,取得了较好的效果。针对非线性多模态过程,提出了一种基于自组织学习和核条件概率密度估计的方法。在无法获取训练样本的模式数量和模式标签的情况下,在离线过程采用自组织学习方法,基于核偏最小二乘法模型同时实现模式分配和模型参数估计;在线预测时,设计了一种基于条件概率密度估计的相似度判别方法,充分利用样本输入输出信息,实现在线质量变量的有效估计。在田纳西-伊斯曼（TE）过程和高炉冶炼过程质量变量估计中的应用表明,论文所提出的方法较传统方法具有更高的精度。最后,在总结全文研究工作的基础上,对自组织学习的应用可能遇到的挑战及后续发展进行了展望。