控制领域中的一大难点就是测量与产品质量非常相关的但是难以直接测量的参数。这个问题未能得到有效解决的原因可能是出于对经济成本的考虑,也可能是传统的技术无法实现直接测量。总之,针对于此类参数的测量逐渐成为控制领域的一大难点和研究热点。软测量技术的出现有效地解决了这个棘手的问题。本文提出了一种新型的基于数据驱动的软测量建模方式。它采用了一种基于知识的方法,即基于案例推理的方法。近邻检索技术由于其原理清晰,计算简单等原因被广泛应用于案例库的案例检索。它利用采集到的数据建立一个案例库,然后采用一种融合了回归分析的最近邻技术,即最近邻回归算法解决出现的新问题,实现对新问题的准确预测。近邻检索方法具有一些缺点,所以本文将聚类算法和粒子群算法应用在案例库中,从而得到一种改进的近邻检索方法。改进的算法的主要改进点有：首先,通过对数据挖掘技术中聚类的研究,本文提出了一种改进的聚类算法,将案例库进行合理的划分。仿真表明基于改进的聚类的最近邻回归算法不仅提高了案例检索的效率,也提高了案例检索的精度。其次,最近邻算法中权值和邻居值个数的选取是最近邻算法的关键因素。粒子群算法可用于对最近邻算法中的参数进行优化。仿真表明此粒子群优化算法的有效性和可靠性。最后,通过对酯化反应过程中酯化率的进行预测仿真,表明了基于案例推理的方法的可行性和准确性。