工业过程的实时在线监测与控制对于提高企业生产效率和保障生产安全有着举足轻重的作用,这极大地依赖于过程关键产品质量指标的测量。很多情况下,由于恶劣的测量环境、昂贵的测量仪器以及测量滞后性等因素,关键产品质量无法及时在线检测。为此,软测量技术通过建立关键质量变量与易测过程变量之间的数学模型,能够实现对质量变量的预测估计。在过去几十年里,软测量技术已经成为过程控制领域的研究热点,并在工业界中得到了广泛应用。由于过程本身结构特性及其内部的复杂物化反应,工业过程往往表现出数据高维度、变量关系非线性、过程时变性和动态性等复杂的多重特征。为此,本文以即时学习方法为主要研究手段,研究了一类复杂非线性过程软测量建模的问题。全文的主要研究内容如下:1)针对过程输入数据与关键产品质量之间的约束关系,提出了基于输出约束即时学习的非线性过程软测量建模方法。传统即时学习算法的样本选择往往只考虑样本的输入空间,而未参考输出空间的约束。本文提出了一种有监督隐变量空间相似度度量方法。在该有监督隐变量空间,由于隐变量与输出高度相关,相似样本的选择将更加合理。在即时学习局部建模阶段,通过同时考虑样本权重和输出相关的变量权重,提出了一种双重局部加权主成分回归算法,该算法可以有效提取过程输出相关的非线性特征,用于软测量输出预测。2)针对强非线性时变过程,提出了一种基于局部加权核主元回归的即时学习建模算法。首先,将原始输入变量进行非线性高维映射,并在高维非线性空间进行特征表示,可以有效解决过程变量强非线性问题;同时,在高维空间采用基于即时学习的局部加权技巧,可以有效解决过程时变问题和非线性问题,提高了软测量模型的预测精度。3)针对带有变量漂移的非线性时变过程,提出了一种基于时间差分技术框架下得移动窗局部加权偏最小二乘法的时间-空间自适应软测量算法。为了解决变量漂移问题,引入了时间差分模型对输入输出的差分量进行回归建模。但是,时间差分框架下的全局模型无法解决过程非线性和时变问题。为此,提出了一种在时间差分框架下利用时间自适应的移动窗技术跟踪过程特性变化和利用空间自适应的即时学习技术解决过程非线性特征的方法。4)非线性工业过程不仅具有数据高维度、非线性等特点,还往往伴有随机噪声干扰和不确定性因素的影响。为了对过程随机噪声进行建模,提取过程的非线性特征,提出了一种基于加权概率主元分析的建模方法。该方法通过建立概率隐变量模型并采用样本加权技术,可以提取过程的非线性特征。基于该模型的软测量建模方法能够取得比确定性投影模型更好的预测精度。针对所提出算法不能保证其所学习的特征与输出的相关性,进一步提出了基于加权概率主元回归的软测量建模方法。5)对于包含不完备数据集的非线性过程,针对输入变量缺失和输出标签缺失情况分别提出了概率即时学习和半监督即时学习建模方法。在概率即时学习中,变分贝叶斯主元分析被首先用于解决过程中包含输入数据缺失值的问题,进而获得各个样本隐变量的后验分布。然后,创新性地利用对称Kullback-Leibler散度衡量各样本隐变量概率分布之间的相似度,并进行相似样本的选择。最后,在输出变量和隐变量之间建立局部高斯过程回归模型。因此,所提出的方法可以有效解决输入缺失数据并将数据不确定性考虑进样本选择。在半监督即时学习中,通过计算有标签样本和无标签样本相对于查询样本的相似度和权重,提出了 一种基于半监督加权概率主元回归的软测量方法。同时,为了更精确地选择局部建模样本,还提出了一种改善的尺度马氏距离用于相似度度量。6)针对非线性动态过程,提出了基于加权线性动态系统的软测量建模方法。过程数据的动态特性通过隐变量之间的一阶马尔科夫链状态转移方程表示,输入观测变量由隐变量通过发散方程进行生成。在加权线性动态系统算法中,为了解决两种方程的非线性函数估计,提出了两种加权方式分别对非线性状态-状态转移函数和状态-输入观测值的函数进行局部线性化处理。这样,即可通过加权线性动态系统对过程非线性动态特性进行表示并用于后续软测量回归预测。