氧化铝生产工艺是一个复杂连续的化工工业生产过程，高压溶出和沉降分离是氧化铝生产过程中很关键的两个工序。苛性比值是高压溶出过程一项重要的技术指标，稀释固含则是沉降分离工序重要的控制参数，它们不仅对氧化铝生产具有重要的指导作用，而且反映了氧化铝工业的产品质量。然而，目前苛性比值与稀释固含的检测是通过化学分析直接计算得到，测量结果存在较大的滞后，不能实时反映生产工况。因此，本文基于小脑模型(Cerebella ModelArticulation Controller,CMAC)神经网络建立苛性比值与稀释固含的软测量模型，通过CMAC网络构造可测辅助变量与主导变量的关系模型，间接估计主导变量，实现对苛性比值与稀释固含的在线实时检测。论文主要工作内容如下：第一、针对Albus提出的CMAC网络概念映射算法存在映射地址空间分布不均匀的缺陷，引入基于启发式方法的最优偏移矢量算法，使地址空间分布更加统一均匀，提高CMAC网络建模的精度和泛化性能；第二、针对传统CMAC网络的学习算法—最小均方(Least Mean Square,LMS)算法本身存在收敛速度和稳态性能之间的矛盾，采用基于双曲正割函数的变步长LMS自适应算法作为CMAC网络学习算法，兼顾收敛速度和稳态失调两个指标，提高CMAC网络建模的鲁棒性和稳定性；第三、分析氧化铝高压溶出和沉降分离过程的工艺机理，选取苛性比值与稀释固含软测量模型的可测辅助变量，并采用部分最小二乘法对辅助变量降维，简化苛性比值与稀释固含软测量模型的输入空间，降低软测量模型的复杂性，提高模型的收敛速度和精度；第四、设计并编码实现了基于小脑模型网络的苛性比值与稀释固含软测量系统，实现对苛性比值与稀释固含的在线实时检测，并对采用传统CMAC网络的软测量系统与采用改进CMAC网络的软测量系统进行性能对比，结果表明改进后的CMAC网络建立的软测量系统预测的苛性比值与稀释固含和实际生产值非常接近，准确率更高，且预测的稳定性更好。基于对氧化铝高压溶出和沉降分离过程的机理分析，研究苛性比值与稀释固含在高压溶出与沉降分离过程中的应用，采用实时检测的苛性比值与稀释固含指导高压溶出和沉降分离过程，控制氧化铝生产工况，提高氧化铝工业效益。