聚丙烯作为世界五大通用塑料之一,在日常的生产生活中占据了很重要地位。丙烯聚合工业作为现代化工行业一个重要的组成部分,其熔融指数(Melt Index, MI)软测量显得尤为重要。本文研究了丙烯聚合工业中的MI软测量软测量问题,引入模糊神经网络对熔融指数对象进行建模,然后使用支持向量机算法和自适应机制对原有的模型进行参数和结构优化。经过实验分析和对比,改进算法有效的改善了模型结构、提高了模型的软测量性能；得到的模型都能成功的应用于实际工业数据的软测量工作,为实际生产中的MI软测量提供了诸多选择。全文主要工作及贡献如下：(1)针对丙烯聚合工业生产过程进行变量提取,利用模糊神经网络建立起MI软测量模型；该模糊神经网络通过采用将模糊系统理论和人工神经网络相结合的方法,对模型输入变量进行模糊化处理后再使用模糊规则和反模糊化方法对输入样本数据进行软测量输出。工业实际聚丙烯生产数据的研究结果表明了模糊神经网络模型的有效性和相对于基本的人工神经网络的优势。(2)基于支持向量机算法对基本的模糊神经网络进行参数优化,通过对表达式的变换和对输入训练样本的处理,产生适合支持向量机算法处理的形式。由于支持向量机相对于其他的传统的机器学习算法具有在软测量精度和泛化推广能力的平衡性,所以能够更好地处理工业生产熔融指数的软测量过程中的噪声干扰问题。(3)针对常规的模糊神经网络模型中的结构需要人工设定而且在学习过程中不能更新的建模瓶颈问题。本文提出了一种自适应的结构调节机制,通过使用两个增减模糊规则的阈值在模糊神经网络的学习过程中对模型进行自适应的结构调整：该机制可以在模型的训练过程中通过对新输入训练样本的学习来增加新的有用的规则,同时去除掉原来的冗余的规则,从而完成系统自适应的更新过程。