流程工业过程中,部分关键的质量参数难以在线检测,只能通过离线分析获取,这成为了流程工业实施先进监测、控制和优化策略的障碍。以构建辅助变量与主导变量之间函数关系的软测量技术为此类参数的实时估计提供了有效途径。然而,建立高性能的软测量模型高度依赖于由辅助变量和主导变量组成的历史过程数据,流程工业却普遍存在“非标记数据（即仅含辅助变量）丰富、标记数据匮乏”的现象,制约了软测量模型的性能。因此,同时挖掘标记数据与非标记数据信息的半监督软测量建模方法已成为当前的研究热点和前沿技术。本文针对流程工业中标记数据匮乏的问题,研究了基于进化优化的半监督学习软测量建模方法,主要工作总结如下:（1）为了克服传统的伪标记半监督学习软测量建模方法对伪标记的置信度评价困难,迭代学习伴随误差传递和累积等问题,提出了一种基于进化优化的伪标记估计及半监督学习软测量建模方法。该方法基于进化优化的思想将伪标记估计问题刻画为显式优化问题,通过伪标记优化问题建模、求解获得高置信度的伪标记样本,进而扩充标记训练数据,最后构建出高性能的半监督学习软测量模型。以田纳西-伊斯曼化工过程和金霉素发酵过程为例验证了该方法的优越性。（2）考虑到常规半监督学习软测量建模方法大多考虑模型结构单一、学习参数单一等,导致模型预测精度不高、适应性不强等问题,提出了一种基于进化优化的半监督集成学习软测量建模方法。该方法将集成框架融入基于进化优化的伪标记估计方法中,充分利用高置信度伪标记数据的同时,发挥集成学习的优势,从而确保半监督软测量模型具有较好的预测性能。在田纳西-伊斯曼化工过程和金霉素发酵过程上验证了该方法的有效性。（3）为了获得半监督软测量模型复杂度和准确度之间的有效平衡,提出了一种基于进化多目标优化的半监督集成学习软测量建模方法。该方法通过定义伪标记预测精度与模型复杂度两个优化目标,将伪标记优化转化为一个多目标优化问题,然后通过进化优化求解该问题,获得多个帕雷托最优解,即多个半监督软测量基模型。最后引入集成策略,对获得的解进行融合。通过田纳西-伊斯曼化工过程和金霉素发酵过程应用,证明了该方法能有效提升软测量模型的预测精度。