聚酯纤维聚合过程是一个化学工艺复杂、生产设备多样的复杂流程工业过程,对其中的关键指标进行实时状态监控和数据分析有利于保障最终纤维质量,提高生产效能。工业监控和数据采集系统中存储了包含丰富历史工况信息的时间序列数据,利用这些历史数据对过程关键指标进行预测有助于了解工业过程趋势,正确评估系统状态。但是,利用传统的机器学习方法进行时间序列预测建模往往需要大量（通常是长时间跨度）的历史数据来训练学习模型,而实际生产过程中工况的改变或生产线开停车等因素的影响会导致历史数据集的缺乏,导致不易对关键指标构建时序预测模型。为此,本文以迁移学习为主要研究方法,针对单一生产线获取历史时间序列数据有限的问题,引入其他生产线的历史传感器数据作为补充,对聚酯纤维聚合过程的时间序列预测建模问题进行研究,主要研究工作如下:（1）针对源域和目标域数据分布不适配的问题,提出一种基于迁移成分分析的时序预测模型。首先用迁移成分分析对源域和目标域数据的原始数据进行分布适配和降维,映射后的特征通过滑窗法构建时序数据集,随后输入长短期记忆网络中进行训练。该算法用特征变换的方法迁移源域知识,同时使用循环递归网络提取特征的时序信息以更好地进行时间序列预测任务。将模型应用于聚合过程酯化阶段不同生产线的时间序列预测建模问题,实验结果验证了迁移模型的有效性。（2）针对传统迁移方法映射能力有限且模型训练时间长的问题,构建深度迁移网络,在门控循环单元网络中添加域适应层,通过最小化源域和目标域深层特征间的最大均值差异来实现域适应。针对源域时序数据量大、时间跨度长而引发的时序分布漂移问题,提出基于最大熵理论的域分割方法与多个迁移网络的集成模型。域分割方法使分割后的每个时间区段内数据可视为服从同一分布,各个迁移网络的预测结果通过计算域相似性加权集成。实验结果表明该模型更好地提升了迁移效果。（3）针对分割源域后训练多个子网络冗余且耗时的问题,提出了一种基于域对抗的多源域时序深度迁移网络。首先通过多路对抗学习策略最小化目标域和每个子源域的分布差异,并通过域混淆分数表示深层特征下目标域样本属于不同子源域的可能性,作为每路预测器的权重系数。网络采用预训练、多路对抗学习、预测器适应的三阶段训练策略,能够提升模型在目标域上的预测性能并保证模型的泛化能力。实验结果表明该网络的迁移效果优于单源域迁移网络和基于源域分割的深度迁移模型。