本文研究的主要内容是化工过程中的软测量建模，针对其建模的整个过程，研究了三部分内容。 1.利用支持向量机(SVM)方法进行软测量建模，重点研究了支持向量机中核函数的特性。分析了不同核函数的性质，构造了性能比一般核函数更好的混合核函数，把它应用到SVM方法中，有效的提高了软测量模型的精度。 2.在建立软测量模型过程中，SVM方法内的参数众多，完全靠经验来确定它们的值不能使SVM方法达到最优，而且运用经验试凑参数，往往耗费大量的时间，并且也是缺乏说服力的。由此提出运用遗传算法对模型进行优化，通过实际应用，证明该方法是有效可行的。 3.实际工业应用中，现场采集的数据一般需要预处理，针对一般的线性处理方法，如主成分分析(PCA)方法，独立成分分析(ICA)方法在提取非线性特征方面的不足，提出了用核主元分析(KPCA)与ICA相结合的方法，在不显著影响计算复杂度的同时，很好的提取了数据中的非线性特征，这对于提高建模精度是非常有帮助的。 最后，将本文提出的建模方法和神经网络建模的方法，分别运用到对4CBA含量的软测量上，并比较其应用效果。结果表明由本文方法建立的模型性能要优于神经网络方法建立的模型。这表明了本文论述的软测量建模方法优于传统方法，并在仿真实验中表明该方法是行之有效的。