近年来随着控制理论和计算机技术的发展，软测量技术已经得到了广泛的重视和应用，在过程检测和控制系统中发挥着越来越大的作用。针对实际系统模型非线性、时变、且模型参数随工况发生改变的特点，本文重点研究了基于聚类的的多模型软测量技术，并围绕辅助变量选择和数据预处理、单模型软测量、聚类分析、基于聚类的多模型软测量四个方面展开。　　 首先针对辅助变量选择中常出现的错选、漏选等问题，提出按工艺机理进行初选和采用相关分析进行精选的、两步相结合的辅助变量选择方法，并利用主元分析对数据进行降维去噪处理。　　 然后对实际生产中常用的MLR、PCR、BP网络和RBF网络四种单模型建模方法进行研究，并通过仿真结果总结出各个模型的优缺点，确定在多模型建模中应采用的局部模型为PCR模型。　　 为降低初始类中心对聚类结果的影响，对k-means算法进行了改进，提出按时间平均抽样的方式选取初始类中心，并利用均衡化评价函数来确定聚类数目k。将改进k-means算法与最新的AP算法进行比较，仿真结果表明，改进k-means算法简单、有效。　　 最后针对实际系统多工况、时变和非线性等问题，深入研究了基于聚类的多模型软测量技术，给出基于聚类的多模型子空间的划分方法，并提出了基于改进k-means算法的多模型建模方法和基于AP算法的多模型建模方法。仿真结果表明，基于聚类的多模型软测量技术测量精度高、抗干扰性强，可以在一定程度上解决复杂系统中难测变量的软测量问题。