浆纱是纺织生产过程的一道关键工序。浆纱质量的好坏直接影响纺织成本与产品的质量，浆纱质量指标的检测有利于提高织布质量，降低生产成本。上浆率是衡量浆纱质量的重要指标之一，稳定的上浆率有助于上浆效果与织布质量的提高。为了保证纺织生产织布质量，浆纱质量指标的检测成为亟待解决的问题，建立浆纱质量指标软测量模型是研究的重点。主要完成的工作有以下三部分：（1）综述了软测量模型的国内外发展现状，描述了浆纱生产过程，指出了影响上浆率的关键因素；采用统计分析软件SPSSV13.0分析上浆率与其影响工艺参数之间的相关性。（2）针对基于均匀网格划分的自适应神经模糊推理系统的模糊规则较多、收敛速度较慢、计算复杂以及抗干扰能力较弱的问题。提出一种基于非欧氏距离聚类的自适应神经模糊推理系统。该模型采用非欧氏距离聚类的方法代替均匀网格划分方法对输入数据空间进行划分，并采用混合学习算法估计模型参数，所建立模型具有模糊规则少、收敛时间短、训练精度高、抗干扰能力强优势。仿真算例表明，在噪声环境下所提出的基于非欧氏距离聚类的自适应神经模糊推理系统相较于基于均匀网格划分的自适应神经模糊推理系统误差较小、收敛速度较快、受噪声影响较小、逼近效果更好，更适合处理噪声环境下的的非线性系统建模问题。（3）采用基于非欧氏距离聚类的自适应神经模糊推理系统建立上浆率软测量模型，通过非欧氏距离聚类的方法划分输入数据空间，确定了最佳聚类数与聚类中心数，采用混合学习算法估计模型参数，验证了基于非欧氏距离聚类的自适应神经模糊推理系统的上浆率软测量模型有效。仿真研究分别采用基于均匀网格划分的自适应神经模糊推理系统、BP神经网络以及RBF神经网络建立上浆率软测量模型，比较各模型性能。仿真结果表明基于非欧氏距离聚类的自适应神经模糊推理系统的上浆率软测量模型的收敛速度最快，模型精度最高，更适用于上浆率计算。