化工过程中存在大量与产品质量相关的并且难以在线测量的关键指标，软测量技术是解决这一问题的有效途径。本文从软测量的理论研究和实际应用需求出发，着重研究了以下几个问题：(1)支持向量机是一种有效的回归建模方法，但是其参数的选择却没有一个很好的办法，需要提供一种优良的参数寻优方法以提高模型的预测精度；(2)实际生产过程中存在工况多变、扰动频繁等特点，使得通常采用的稳态软测量模型预测精度降低，需要提出能够反映对象动态特性的软测量模型。(3)在模型修正方法上，如何利用样本数据的时序特性实现软测量模型的动态校正策略。　　 围绕上述问题，本文开展的主要工作和创新点为：　　 1.在支持向量机参数优化问题上：首先针对传统粒子群算法容易陷入局部最优问题，提出了一种改进的混合粒子群算法，该方法引入了种群早熟判断机制，并具有混沌方法的遍历性特点，加快了收敛速度。然后将该方法用在LS-SVM回归建模的参数寻优，避免了对LS-SVM参数选择的盲目性。通过对羧基苯甲醛含量预测的仿真实验结果，验证了所述方法的有效性。　　 2.在动态软测量建模问题上：针对实际生产中，工作点的迁移和动态特性变化总是会影响静态软测量模型的预测效果，为此提出了时序软测量建模，利用辅助变量的时间序列来估计主导变量的动态特性。同时，引入Adaboost集成学习算法，该算法通过对训练样本的进行多次建模，并根据每次建模的误差修改下次建模的训练样本，从而得到一系列不同的基础模型。最终将每次产生的基础模型进行加权，得到一个比单个基础模型精度更高的组合模型。通过对共沸精馏塔塔釜苯含量预测的仿真实验结果，验证了该方法的有效性。　　 3.在软测量模型的动态校正上：针对目前静态软测量建模方法无法反映工业过程动态信息，造成预测模型精度低、鲁棒性差等问题，本文提出了一种基于最小二乘支持向量机(LS-SVM)和自回归-滑动平均模型(ARMA)的软测量建模方法。首先，建立了基于LS-SVM的软测量模型，利用ARMA模型对预测误差的动态估计，通过增加动态校正环节，实现了对静态模型的动态校正以改善系统动态响应特性。最后将上述方法用于乙烯精馏过程中乙烷浓度的软测量建模，仿真结果表明：与单一使用LSSVM模型相比，该方法具有跟踪性能好、泛化能力强等优点，是一种有效的软测量建模方法。