基于过程模型的优化方法是目前生化过程优化研究的主要方法,模型是这类方法的核心。大量的实际生化过程机理不清晰或是工艺太过复杂,使得建立和优化机理模型较为困难;而基于历史数据建立的数据驱动模型可能并不包含最优操作条件或期望操作条件。为了避免上述问题,本文围绕预设操作条件进行有目的的试验设计以实现对生化过程的建模和优化。然而,传统试验设计不能处理随时间变化的操作变量的设计,且无有效方法建立过程的批次响应模型以用于优化。因此,本文基于动态试验设计方法,结合Kriging模型和函数型主成分分析,提出有针对性的序贯建模优化算法对生化过程进行建模和优化。本文的主要工作总结如下:（1）针对补料分批乙醇发酵的补料工艺优化,给出基于Kriging模型的动态试验设计方法,用于建立乙醇产量与补料工艺之间的预测模型。结合序贯设计和整体趋势扩散技术,提出了Kriging模型迭代更新与优化算法。该算法先建立符合精度要求的全局模型以快速确定优化解区域,后建立局部增强的全局模型找到优化解;迭代执行算法至优化解满足收敛条件。仿真试验验证了所提方法的有效性。（2）针对间歇生化过程的批次响应建模,考虑基于函数型主成分分析的序贯建模方法。为了提高所建模型精度,提出函数型主成分分析序贯建模算法。该算法依据改进的收敛条件,采用极大均方误差准则的序贯设计来迭代更新模型。通过对模拟反应网络和补料分批青霉素发酵这两个间歇生化过程进行物质批次浓度的建模,验证了所提建模策略的有效性,且仿真结果显示出所建模型具有较好的数据可视化和模型解释能力。（3）在批次响应数据缺失情况下,利用条件期望方法实现函数型主成分分析,并对间歇生化过程进行批次响应建模和优化。通过序贯建模算法获得满足精度要求的过程模型,基于模型构建优化命题并求解。由一个三反应网络的试验仿真,验证了所提方法对建立数据缺失情况下过程批次响应模型的有效性以及基于函数型主成分分析模型的优化方法的可行性。