工业过程中的一些质量变量对于生产过程的监测、控制与优化具有重要意义,但实际情况是这些质量变量的测量,往往受到检测技术、装置价格、以及实时性等限制,很难直接采用硬件传感器在线实时获得,因此软测量技术得到了应用。作为硬件测量替代方案,软测量可以为质量变量提供高效且低成本的预测。本论文在现有软测量技术研究成果的基础上,面向具有非线性和时变特征的工业过程,考虑过程数据中的时延信息和时间有序性,基于加权高斯模型回归算法进行改进研究。本文主要研究内容如下:(1)针对工业数据时序匹配不一致的问题,提出一种基于滑动灰关联度算法的软测量建模方法。该方法首先采用滑动灰关联度算法估计过程时延参数,提取过程的时延信息;当新样本到来时,利用基于离线阶段估计的时延参数重构建模数据集,并通过新样本相对于训练样本的权重建立加权高斯模型,构建输入和输出变量的联合概率密度函数;最后,通过概率模型的条件分布函数实时估计输出变量值。通过数值仿真和工业脱丁烷塔过程丁烷浓度的在线估计,验证了所提方法的有效性。(2)进一步考虑到在建立加权高斯模型时模型更新频繁耗时长的问题,提出一种基于改进加权高斯模型回归的软测量建模方法。首先挖掘过程数据的时延信息重构建模数据集,解决工业数据时序不一致问题;然后在模型训练集的选取规则中引入累计相似度因子,提高模型的实时性;最后在查询样本到来时,采用自适应相似度阈值的模型更新策略递归更新模型参数,降低模型的更新频率。将改进的建模方法应用到脱丁烷塔过程丁烷浓度的预测中,仿真分析表明,改进的方法具有较高的预测精度。(3)针对传统训练集选取时只考虑数据样本间空间距离,而忽视数据的时间特性问题,提出一种基于时间有序性的加权高斯模型回归软测量建模方法。该方法在空间距离的基础上,在模型训练集的选取规则中引入时间信息,从而提高模型的解释能力;为满足工业数据服从高斯分布的假设,采用局部加权标准化算法将数据转换成近似高斯分布;并利用自适应相似度阈值的模型更新策略对模型参数进行递归更新,从而降低模型的更新频率。在硫回收过程二氧化硫浓度的预测实验中,基于时间有序性的建模方法具有更高的预测精度和实时性能。