水泥比表面积是在水泥生产过程中水泥质量检测的重要指标之一。实现对它的准确预测对水泥生产调度,节能降耗,提高水泥产品质量具有重要意义。然而,由于水泥加工行业的非线性,不确定性,多重干扰,动态变化,时变时延和信息不完整性,我们很难建立用于水泥质量检测的准确的软测量模型。针对上述问题,本文提出建立基于多尺度特征提取理论的时空双通道卷积神经网络水泥比表面积预测模型（Spatio-temporal Graph Decoupling Convolution Network,STG-DCNN）。针对难以确定最优结构的问题和不同维度特征需要提取的特征深度不同的问题,进一步提出了基于改进双群体差分进化算法（Improved Two-population Differential Evolution Algorithm,ITDE）的STG-DCNN深度自愈模型,实现了水泥粉磨过程中在时间空间维度特征的多尺度特征提取同时实现模型参数的自动寻优,最终实现水泥比表面积的有效预测。具体研究工作如下:首先,结合水泥粉磨系统生产工艺,对现有典型的联合粉磨系统、双圈流水泥粉磨系统、半终水泥粉磨系统进行具体分析与比较,研究影响水泥比表面积的关键变量。基于水泥比表面积检测,引出本文拟解决的关键科学问题,并给出技术路线和具体的解决方案。其次,基于多尺度输入和多尺度特征融合理论,针对水泥研磨过程的时变时延性、空间变量耦合特性、非线性和不确定特性,建立基于卷积神经网络的多尺度不同深度的时空特性提取网络。该模型采用滑动窗口技术分别将由灰色关联分析得到的包含时变时延信息的时序数据和由置换熵理论得到的包含变量耦合信息的空间序列数据映射到预测模型的输入层中,然后采用双通道的卷积神经网络学习和挖掘输入数据中包含的特征与水泥比表面积指标之间的变化规律。这种模型可以更好的挖掘水泥研磨数据信息,实现了水泥比表面积的有效预测。最后,针对不同维度的特征深度不易确定和复杂工况下深度学习模型最优参数难以选取的问题,以STG-DCNN模型的全局反向训练误差为目标函数,建立基于改进双群体差分进化算法的STG-DCNN深度自愈模型。该模型在双群体差分进化算法的基础上设计自适应变异放缩因子,来提高变异算子的科学性,从而进一步获得更优的全局搜索能力,提高收敛速度。建立的ITDE-STG-DCNN水泥比表面积自愈模型摆脱了人工经验对模型结构参数选取的干预。实验中采用水泥生产过程中的实际数据进行验证与分析,将STG-DCNN与传统的CNN建模方法,SVM,XGBoost和Random Forest进行对比验证。将ITDE-STG-DCNN与基于基本差分进化算法,双群体差分进化算法和遗传算法设计的STG-DCNN目标模型,以最优人工策略下的STG-DCNN为基准进行对比分析。结果表明本文所提方法较所提对比方案获得较大增益,泛化能力强,在实际工业应用要求下,实现了水泥比表面积的有效预测和模型的自动寻优。