在电力、选矿、化工、冶金等流程工业领域中,湿式球磨机是生产过程中用于破碎物料的基础设备。受磨机运行过程具有非线性、强耦合、大时滞及物理条件限制等特性的影响,使得表征其内部工作状态的关键负荷参数(料球比、浓度、充填率)检测难度大,普遍存在高能耗、难以实现磨矿过程优化控制、存在安全隐患等问题,严重制约了这类基础设备自动化水平的提高。通过建立辅助变量和主导变量之间的函数映射关系而实现预测未知主导变量的软测量建模方法是工业中解决上述问题的有效方案。然而,在实际工业中通常由于生产任务的变动、设备的重组、原料及运行环境的变化使球磨机运行在多工况、多模态环境下,导致待测工况(目标领域)与建模工况(源领域)的数据分布发生改变,造成传统软测量模型失准。针对流程工业中的多工况未知模态主导变量难建模预测的问题,本文引入迁移学习策略,重点研究多工况未知模态下湿式球磨机负荷参数软测量方法,主要工作可归纳为如下几点:(1)针对湿式球磨机多工况运行过程中难以获取主导变量标签的问题,引入联合分布适配算法,在特征变换过程中共同匹配领域间边缘分布和条件分布,并分别从多任务与多源域角度对湿式球磨机负荷参数进行软测量建模。(2)针对工况发生改变后,待测工况能获取少量标签的情况,在深度自编码网络中引入联合最大均值差异正则项,在保持原有特征的前提下减小领域间的边缘分布差异,并通过少量目标域标签构造域间标签映射模型,实现湿式球磨机负荷参数的预测。(3)针对工况发生改变后,待测工况能获取少量标签的情况,引入域适应极限学习机(Domain Adaption Extreme Learning Machine,DAELM),迁移建模工况的知识和模型,并通过流形正则化算法保持数据几何结构,建立湿式球磨机负荷参数软测量模型。(4)针对工业大数据分布式处理和建模的问题,研究了以集群服务器分布式处理平台为基础的域适应极限学习机并行实现算法,并通过球磨机负荷参数软测量建模验证其高效性。