上浆率是浆纱质量好坏的重要指标之一。上浆率过大或过小都将严重影响浆纱的质量，给织造生产带来不便，甚至造成大量的原料浪费。为了保证浆纱质量，首先需要对上浆率进行检测，进而控制其达到规定指标。因此，对上浆率的实时检测进行研究是保证浆纱质量的前提，也具有很大的理论价值和实用价值。　　 本文从离线建模的角度出发提出了上浆率在线检测的软测量建模方法，主要研究内容包括：首先，对纱线上浆过程进行研究。通过现场调研以及参阅大量的文献，确定了能准确反映上浆率大小的最少因素：浆液浓度、浆液粘度、浆液温度、第一道压浆辊压力、第二道压浆辊压力、浸没辊位置、浆纱机速度、纱线覆盖系数、纱线张力、烘燥温度以及采集数据时间间隔共11个因素。其次，建立基于BP神经网络的上浆率在线检测的软测量模型。本文针对BP神经网络的特点，加入了弹性BP算法并对初始权值的选择做了改进，以加快网络的收敛速度。仿真结果表明，模型具有很快的收敛速度，预测精度可达94％。然后，建立基于SVM的上浆率在线检测的软测量模型。本文通过对核函数的选择以及参数C和P的调整，使模型表现出了较好的性能。仿真结果表明，SVM模型收敛速度快，预测精度可达92％，泛化能力强。最后，建立基于Bagging的上浆率在线检测的混合模型。为了使上浆率在线检测模型同时具备高精度和高泛化能力，本文提出了利用集成学习的思想建立上浆率在线检测的并行混合模型。根据BP神经网络模型和SVM模型的优势不同，分别设置了不同个数的子学习机。仿真结果表明，混合模型的预测精度可达95％，泛化能力很强，完全可以满足实际生产的需要。本课题的研究均以天津纺织工程研究院有限公司提供的数据为依据，取得了一定的研究成果，属于初步探索阶段，成果具有创新性，可以满足上浆率实时、在线、准确检测的需要。