复杂工业过程中为了及时获得被控对象的关键信息,经常要对一些参量进行定性或定量的检查和测量,但是由于复杂工业系统结构繁杂多样、变量繁多等特点以及成本和技术等因素限制无法获取过程变量的某些关键信息。软测量技术被广泛应用于解决上述难题,它的核心是模型的建立,目前对复杂工业过程的研究大都致力于对建模方法的研究而忽略了输入特征对目标变量的影响,而且由于复杂工业建模难的特点导致对混合驱动软测量方法的研究相对较少。本文对复杂工业过程建模前的输入数据特征进行处理以及混合模型的建立展开研究,以电站锅炉空气预热器为复杂工业过程的研究对象,将研究内容应用于空气预热器的转子热变形量的预测中。本文具体研究如下:（1）在进行混合驱动建模前先确定数据驱动模型和机理模型。文章首先利用WORKBENCH19.0软件对型号为LAP14948/2400的空气预热器进行了热-应力耦合分析,可知转子发生热变形的形状为“蘑菇状”,然后根据能量守恒定律、边界条件等简化的机制和原理对热应力导致的热应变进行了数学描述,得到了基于机理模型的转子热变形量。（2）在得到空气预热器的工业现场数据后,采用机理模型分析法筛选出与转子热变形量有关的辅助变量,再利用斯皮尔曼相关系数法对输入辅助变量与目标变量之间的相似度进行分析,得到与转子热变形量有密切关联的辅助变量作为可靠输入。受测量仪器精度、工业现场环境差等因素影响,工业现场采集的数据不可避免地有偏差,而输入数据的准确性对于数据驱动软测量建模结果的影响较大,所以在进行数据驱动建模前,本文利用小波阈值去噪的方法对输入数据进行了去噪处理。然后对去噪数据进行归一化操作后选取出互斥的训练样本和测试样本用于数据驱动建模。（3）对（2）中选取的未去噪的数据集分别采用BP神经网络、支持向量回归（Support Vector Regression,SVR）、粒子群优化算法（Particle Swarm Optimization,PSO）的 SVR 进行数据驱动建模后预测了转子的形变量,再利用小波去噪后的数据结合SVR建立起基于小波和SVR相结合的数据驱动软测量方法预测了转子的形变量。结果表明对于复杂工业而言,利用去噪后的数据进行数据驱动建模的预测效果优于未去噪的建模方法而且降低了模型的复杂度。（4）将（3）中建立好的小波与SVR相结合的数据驱动模型和（1）中建立的机理驱动模型分别以并联、串联和杂模的方式结合起来,建立起基于误差、基于叠加及基于权重因子的混合模型,用这三种混合模型对转子热变形量进行预测。实验结果表明文章建立的三种混合驱动中基于权重因子的建模方法优于其他两种混合建模方法同时也优于单一模型,但是基于误差的混合建模方法的表现不如单一模型。混合驱动模型的建立没有固定标准,混合模型的建模效果不一定优于单一模型,要结合具体工业过程分析。本文分别对单一模型和混合模型进行了软测量建模和分析且将其应用于复杂工业过程中加以验证,表明本文提出的基于小波与SVR相结合的数据驱动建模方法的预测精度高于未去噪的数据驱动建模方法,同时在建立的三种混合驱动模型进行了对比找到最适合预测转子热变形量的建模方法。为空气预热器漏风技术的研究提供了较准确的形变量。