我国水泥工业的发展非常迅速，从上个世纪八十年代中期，我国的水泥产量一直位居世界第一。2013年成品水泥总产量更是达到24.1亿吨，占世界水泥总产量的50%以上，但是我国水泥质量合格率偏低。这是由于资金等条件限制，我国大多数企业基本不使用在线粒度监测仪而是通过离线检测水泥粒度，因此测定结果比生产严重滞后，增加了出现不合规格产品的概率。软测量技术的出现能够很好地解决上述问题，并可使测得的结果可信、合理、精确度高。本文以山水集团平阴水泥厂的联合粉磨系统为研究目标，深入分析联合粉磨系统的水泥生产工艺，选择辊压机电流、喂料量、循环风机转速、出磨提升机电流、出磨负压、选粉机转速、大风机转速、出磨物料温度为水泥粒度软测量的辅助变量。用拉依达准则去除异常数据，并对去除异常数据后的样本数据进行标准化处理。由于联合粉磨系统是一个非线性、大滞后、强耦合的系统，很难采用机理建模的方法对水泥粒度进行软测量，因此在了解各种建模方法的适用场合后，选用BP神经网络与最小二乘支持向量机(LS-SVM)对水泥粒度进行建模。对于BP神经网络，详细介绍了Levenberg-Marquardt(L-M)优化算法，BP神经网络的隐含层的选取方法和隐含层节点个数的选取方法，建立了基于BP神经网络的水泥粒度软测量模型，仿真实验表明BP神经网络隐含层个数的选取和隐含层节点个数的选取对模型性能影响很大，且该模型训练时间长，容易出现过拟合现象。对于最小二乘支持向量机，详细介绍了其基本理论、核函数的选择、模型参数的选取，采用径向基函数，并用交叉验证的方法进行参数优化，建立了基于最小二乘支持向量机的水泥粒度软测量模型，仿真实验表明LS-SVM方法的预测精度高、学习能力强、泛化性能好。通过对比最小二乘支持向量机的训练误差均方根、训练相对误差均值、测试误差均方根和测试相对误差均值等各项性能指标均优于BP神经网络，因此得出LS-SVM方法优于BP神经网络。用Microsoft Visual Studio2005进行软件编程，该软件已经成功应用于水泥生产现场，能够很好地反映水泥的比表面积，实现了水泥粒度的在线测量。同时能够指导操作人员及时地对现场设备的关键参数进行调整，为进一步实现水泥磨机的优化控制提供了参考。