工业工程中存在许多关键过程变量，与生产效率或生产质量密切相关，但由于手段缺乏或考虑成本，很多关键变量难以直接测量。软测量专注于解决上述难题，通过采集与目标变量相关性较强的过程变量作为输入，将目标变量作为输出，建立数学模型，实现对目标变量的估计。目前针对软测量的研究主要集中于对建模方法的研究，而现存建模方法并不完全适用于结构庞大、机理复杂、参变量繁多的复杂工业过程的参数建模，同时，针对混合驱动建模方法、非完整数据的处理、辅助变量的选择等方面的研究相对缺乏。本论文针对复杂工业系统中的测量信息难、建立模型难、实施控制难等关键问题开展研究，以软测量的模型结构与训练方法的研究为核心，基于深度学习方法建立软测量模型，并将其应用于典型复杂工业过程中。同时，针对建模过程中的其他关键问题开展了研究，解决辅助变量选择难以及数据样本不足的问题。本研究对于解决工业过程控制中的关键科学问题、突破核心技术，完善和推进软测量的发展都具有重要意义。主要研究内容及创新性成果如下：
　　1．提出了两种基于深度学习方法的数据驱动软测量模型。通过在深度神经网络顶层叠加支持向量回归(Support vector regression，SVR),建立了基于堆叠自动编码器(Stacked autoencoders，SAE)的SAE-SVR模型，以及基于深度信念网络(Deep belief network，DBN)的DBN-IPSO-SVR模型。训练过程中重新定义了损失函数，并对优化算法做出了改进。将上述模型用于火力发电厂空气预热器的转子热变形量预测，结果表明，与其他常见方法相比，在训练稳定性和预测精度等方面都有了显著提升。
　　2．在SAE-SVR的基础上，提出了一种机理与数据混合驱动的软测量模型L-SAE。该模型既参考了工业过程的机理背景和专家知识，又利用现场数据更全面地反映过程信息。在相同实验背景下对空气预热器转子热变形量的预测结果表明，与常用机理或数据驱动方法对比，L-SAE具有更高的预测精度和更好的模型泛化能力。
　　3．为了解决软测量建模过程中经常出现的非完整数据问题，提出了一种结合生成式对抗网络（Generative adversarial network，GAN）和变分自动编码器(Variational autoencoder，VAE)的深度生成模型VA-WGAN。通过学习真实工业数据的分布，生成新样本，补充软测量建模的训练数据集。实验结果表明，VA-WGAN解决了传统GAN训练难的问题，收敛过程平稳快速。与其他几种常见的生成模型相比，VA-WGAN所生成的人工数据更接近真实数据分布。
　　4.为了更有效地选择软测量的辅助变量，提出了一种基于变量间互信息与模型误差的变量选择方法MI-ME。同时，为了降低计算量，提出了一种新的神经网络权值更新方法。实验结果表明，与其他常用变量选择方法相比，在取得相同或相似的软测量预测误差的前提下，MI-ME所选出的变量集包含最少的辅助变量。以MI-ME所选的变量集作为软测量模型的输入，能在保证预测精度的同时简化模型结构，降低模型的学习负担。