在工业生产过程中,一些产品的质量参数无法直接测量,软测量技术的发展有效的解决了这类问题。产品质量参数软测量是保证产品效益最大化不可或缺的步骤,辅助变量选择是软测量建模的关键技术之一,因此,如何进行变量选择来剔除无信息变量和冗余变量,以增强模型的鲁棒性和提高质量的预测精度成为至关重要的问题。本文从变量选择的角度,研究了提高产品质量软测量模型精度的问题。针对近红外光谱数据中无信息变量和冗余变量过多以及弹性网方法在处理具有较多高相关变量的数据中的缺陷,提出了一种基于弹性网变量选择的质量软测量方法。该方法利用弹性网的回归系数进行变量选择,得到了一个稀疏模型,提高了模型的预测精度,并且还增强了模型的鲁棒性和可解释性,两个生产实例验证了该方法的有效性。以互信息为基础,提出了一种基于互信息变量选择的质量软测量方法。该方法对过程数据进行了线性检验,并且根据互信息对变量进行重要性排序,之后排序后的变量被逐步加入到偏最小二乘模型的建立中,最后以均方根误差为标准选出最优变量子集。通过两个工业实例数据进行了仿真验证,仿真实验结果表明该方法提高了质量预测精度,增强了模型的鲁棒性。针对动态时变工业过程,提出了一种基于互信息和最小二乘支持向量机的软测量算法。该算法用互信息进行变量选择,并引入了移动窗口技术,通过增量学习算法和减量学习算法对训练数据进行了实时更新,建立了质量的在线预测模型。最后通过精馏过程中组分浓度测量实验进行仿真验证,仿真实验结果表明该方法可以提高模型预测精度,并且可以降低模型的计算复杂度。