水泥熟料中游离钙（free calcium oxide,f-Ca O）的含量是衡量水泥质量高低的重要指标。目前,熟料f-Ca O含量主要依靠人工离线采样检测,使其在指导质量控制和生产过程优化等方面有明显的滞后性。因此,本文以熟料f-Ca O含量为研究对象并基于数据驱动的软测量技术,提出了基于注意力机制和CNN的水泥熟料f-Ca O含量软测量方法,用于实现水泥熟料f-Ca O含量的实时在线监测。具体研究工作如下:首先,介绍新型干法水泥生产技术及水泥烧成过程中熟料f-Ca O的生成机理,分析水泥烧成过程的强耦合性、各生产阶段用时;研究熟料f-Ca O含量建模过程中的难点并提出相应解决方案;选取与熟料f-Ca O含量相关的变量作为输入变量并对其历史数据进行预处理。其次,针对水泥烧成过程的动态非线性、强耦合性、时变时延和不确定性等特征,建立了基于多变量时间序列分析和CNN的软测量模型（MVTS-CNN）。该模型采用多变量时间序列分析方法对输入变量时间序列进行处理,并结合多变量时间序列特征提取方式对图结构化的多变量时间序列进行特征提取。实验结果表明MVTS-CNN模型具有较高的预测精度和泛化能力,可用于实现f-Ca O含量的实时在线监测。然后,针对水泥烧成过程中的多工况特性,提出了一种基于单重注意力机制和MVTS-CNN的软测量方法（AMTS-CNN）。从单一工况下的数据冗余和工况属性特征两个方向进行研究,分别向MVTS-CNN模型引入时序域注意力机制和通道域注意力机制并构建相应的AMTS-CNN模型。实验结果表明基于通道域注意机制的AMTS-CNN模型预测效果更好,且相较于MVTS-CNN,AMTS-CNN具有更强的工况适应性。最后,为了提高模型在多工况动态环境下的预测性能,提出了一种基于双重注意力机制和MVTS-CNN的软测量方法（DATS-CNN）。基于时序域注意力和通道域注意力之间的位置关系构建了串行注意力机制和并行注意力机制并分别将其引入到MVTS-CNN模型,然后基于两种注意力在串行注意力机制中的先后顺序以及在并行注意力机制中的特征融合方式对DATS-CNN模型进行了优化。实验结果表明相较于AMTS-CNN,DATS-CNN模型在多工况动态环境下的预测效果更好。