软测量是针对硬件传感器难以测量或测量成本过高的过程参数,选择其他易测变量,构建某种数学模型实现预测的方法。其应用方便,响应迅速,易于实现工业过程关键生产指标的实时监测与控制,已成为流程工业过程控制领域的研究热点。神经网络具有优秀的非线性映射能力和自学习、自组织能力,从而在复杂过程软测量得到广泛应用。现代工业过程常存在多变量、非线性、未知时延等问题,使得前馈神经网络建模精度不足,循环神经网络（Recurrent Neural Network,RNN）具有良好的时序信息提取能力,可以有效解决过程中的时延问题。然而,现代工业过程测量系统所能提供的可测变量较多,存在大量的信息冗余。同时由于其循环结构的复杂性,RNN的网络结构也存在一定的冗余,导致其泛化能力差、建模精度不足。如何在海量数据中筛选主要变量、优化模型结构成为改善预测精度和模型鲁棒性的关键。针对上述问题,本文使用RNN对存在时间序列的过程进行软测量建模,借助基于惩罚函数的非负绞杀算法（Nonnegative Garrote,NNG）对网络的输入和循环结构进行同步优化,并将所提出算法应用于预测控制的模型构建,主要研究内容如下:（1）针对复杂工业非线性、时延性、多变量的数据特征和模型结构冗余等问题,提出一种基于NNG的变量选择与结构优化软测量建模算法。首先,利用RNN对时序数据中不同时刻样本间相关信息的提取能力,获得一个训练完备动态软测量模型。其次,采用基于惩罚函数的NNG压缩算法将惩罚参数同步添加至输入权重和循环结构权重,利用滚动交叉验证对绞杀参数寻优,构建绞杀参数约束下的输入变量和循环结构同步优化算法,该算法在实现变量选择的同时得到输入至隐含的参数估计。循环结构参数的压缩也能反映出数据中不同时延信息对目标输出影响的重要性。所提出的算法和其他算法相比,在多个人工数据集测试中均表现出最高的预测精度。（2）将所提出NNGSO-RNN算法应用于干熄焦工业过程锅炉入口循环风温度的建模预测中。首先对干熄焦特性、系统结构、工艺流程进行详细描述,为使得生产目标蒸汽产量最大化,对监测点数据进行分析后选择与蒸汽产量直接相关且参与热交换的锅炉入口循环风温度构建软测量模型,方便控制温度在允许范围内最高。实验结果表明该算法能够成功地预测循环风温度动态变化,不同变量的重要性为优化和控制系统设计提供理论及技术支撑。（3）以所提出的NNGSO-RNN算法建立的软测量模型为基础,研究基于RNN的模型预测控制算法,并以一个典型的连续搅拌反应釜（Continuous Stirred Tank Reactor,CSTR）过程作为案例,验证控制算法的有效性。首先利用Simulink搭建CSTR过程仿真模块,产生过程反应数据,然后利用NNGSO-RNN对系统进行数据驱动建模,得到精确的预测模型,最后研究滚动优化方法和反馈校正方式,实现所研究过程目标变量的预测控制。与PID和基于前馈神经网络的模型预测控制器相比,所建立的预测控制器的操作量调整更加平滑,对设定值的跟踪更加准确,具有一定的优越性。