餐厨垃圾是我国城市垃圾中占比最大的垃圾种类,其无害化处理已经成为我国十三五规划期间环境治理的重要目标。厌氧发酵技术是目前最具有发展前途和环保的处理餐厨垃圾的方式。由于厌氧发酵过程中的关键参数实时检测缺乏有效的手段,常导致无法达到最大的资源转换效率,甚至会发生酸化导致菌群死亡发酵失败。因此对餐厨垃圾发酵过程中的关键参数采用软测量的方法进行实时监测具有重要的现实意义。本文针对某餐厨垃圾发酵企业的两相厌氧发酵过程VFA浓度的软测量问题,研究了餐厨垃圾厌氧发酵过程的数据特征提取,提出了基于流型正则化和域适应的分层学习机软测量算法和基于深度双向LSTM时序特征提取的软测量算法,并将两种算法相互融合,主要研究内容如下:针对传统方法选择关键变量效果欠佳的问题,研究了一种基于最大信息系数和改进近似马尔科夫毯的特征选择（MIC-IAMB）算法,改进了判别准则,保留弱相关非冗余特征和强相关特征,剔除无关特征和弱相关冗余特征。实验结果表明,改进后的特征选择算法具有比原算法更好的精度。针对传统神经网络在预测厌氧发酵关键变量难以达到理想精度、无法提取特征间的组合信息、难以适应数据漂移的问题,研究了一种基于域变换的半监督分层极限学习机。首先通过域变换解决实际数据中因初始条件不同而导致的数据漂移问题,然后以分层极限学习机为框架,其中多层ELM-AE用于提取特征间组合信息,最后一层为结合流形正则化的ELM,用于预测和挖掘有标签数据和无标签数据的数据结构。实验结果表明,该方法比传统方法BP、ELM有更好的精度和泛化能力,经域变换进行数据处理后,进一步提高了算法的精度。针对工业过程具有的动态性能,研究了一种基于DSTHELM-BLSTM的软测量模型。首先将深度双向LSTM用于提取时序特征,然后将将深度双向LSTM预测结果和DSTHELM的结果加权融合,得到包含时间因素和数据结构因素的预测结果。实验表明,考虑时间因素的模型相比与未考虑时间因素的模型,具有更高的预测精度和泛化能力。论文所提出的算法利用某餐厨垃圾发酵企业的实际工业数据进行了验证,结果表明基于提出和改进算法建立的软测量模型,具有良好的预测精度和泛化能力,为餐厨垃圾厌氧发酵过程的实时监控提供了可能,为厌氧发酵智能控制奠定了基础。