随着现代工业过程对控制、计量、节能增效和运行可靠性等要求的不断提高，各种质量变量测量要求日益增多。软测量技术作为解决复杂工业过程难测变量在线估计问题的有效手段，在提高产品质量和保障生产平稳操作方面起到重要作用，已经成为目前过程控制领域的研究热点之一。本文针对软测量研究中的非线性特征提取和智能建模两大问题，开展软测量建模方法的深入分析和讨论。采用非线性特征提取算法，尽可能地保留了数据的有用信息的同时，降低软测量建模复杂度，在此基础上，采用智能建模方法提高模型精度。并对软测量技术在催化裂化主分馏塔装置中的应用进行了探讨。具体研究内容如下：针对软测量模型输入变量之间存在强非线性关联和数据维数高的特点，提出了基于KIsomap算法的非线性特征提取方法。KIsomap算法在保存了数据空间的流形结构的同时把测试数据投影到低维空间，能够更好的提取数据的非线性特征信息，从而有效降低软测量模型的复杂度。另外，考虑到数据的非平稳性和模糊信息性，提出了基于模糊信息粒化的非线性特征提取方法。该方法通过划分窗口和模糊化的步骤，对输入数据进行三角型模糊信息粒化，得到分好类的Low、R和Up非线性特征数据。以柴油凝点为例验证了上述两种非线性特征提取方法的有效性。在智能建模方法方面，针对软测量模型学习速度慢和预先设定的参数多的问题，研究了基于广义动态模糊神经网络的智能软测量建模方法。该算法的最大特点是参数的调整和结构的辨识可以同时进行，学习速度快，且它所需要的预先设定的参数少于模糊神经网络。通过pH中和过程数据的应用及与其他方法的比较表明，广义动态模糊神经网络在学习效率和性能方面具有更突出的优势。另外，考虑到最小二乘支持向量机存在最优参数难确定的问题，研究了一种改进的最小二乘支持向量机的软测量智能建模方法，通过利用自适应遗传算法强大的全局搜索能力优化支持向量机模型参数。建立了基于IGA-LSSVM的软测量模型，实验结果表明，该方法具有较高的预测精度和良好的泛化能力。最后，本文针对一个实际的石化过程催化裂化装置的主分馏塔开展方法的应用研究，应用基于FIG-IGA-LSSVM的软测量智能建模方法，将抽取的轻柴油凝点数据进行模糊信息粒化处理，得到非线性特征数据Low、R和Up，然后将其作为智能模型改进最小二乘支持向量机的输入，进行回归预测。实际工业数据的应用结果表明了本文方法的有效性。