在聚合物挤出加工领域中,对生产过程的实时监测已成为产品质量管理的有效手段。聚合物挤出生产过程会不断产生出海量数据,形成具有体量大、构型不一、增长速度快等特点的聚合挤出过程大数据。在对这些大数据的分析应用中,存在着数据存储分散、单机串行计算效率低、数据共享不畅、信息化集成度低以及融合分析困难等问题。针对上述问题,本文在国家重点研发计划项目支持下,利用大数据技术开发出聚合物挤出过程大数据实时监测平台。论文主要完成的工作如下:（1）针对上述前四个问题提出了对应的解决方案,其中,通过Hadoop分布式文件系统（Hadoop Distributed File System,HDFS）和My SQL关系型数据库实现了聚合物挤出过程大数据的统一存储;采用Kafka、Flume和Spark等大数据技术对聚合物挤出过程大数据进行统一分布式流计算;提出使用模型-视图-视图模型（Model-View-View Model,MVVM）架构模式解决平台数据共享不畅和信息化集成度低的问题。（2）开发出包含实时监测、统计分析、数据中心和批处理中心模块的平台可视化系统。该系统集成有聚合物挤出过程关键信息的实时监测与统计分析以及标准参考数据的共享、批处理任务的调度等功能。对平台的技术体系和开发出的平台可视化系统进行部署和测试,测试结果表明:聚合物挤出过程大数据实时监测平台运行稳定,功能符合预期,性能满足使用需求,具有良好的实用性和可靠性。（3）通过平台在聚合物熔体密度实时监测中的应用体现出平台的在线监测功能。在该应用中,针对聚合物挤出过程多源异构数据融合分析困难的问题,将多源异构大数据融合技术应用于熔体密度在线监测模型的构建过程,使用平台中的超声波、近红外光谱和拉曼光谱数据,提出基于深度可分离卷积神经网络（Depthwise Separable Convolutions Neural Networks,DSCNN）的特征级多源异构大数据融合预测方法,并与基于单源超声波的软测量方法在不同的聚合物加工体系上对比验证。结果表明:基于单源超声波的熔体密度软测量方法适用于对高频超声波信号敏感的体系,该方法的重复性较好,但准确度还有待提高;基于DSCNN的熔体密度多源异构大数据融合预测方法适用于较多的聚合物加工体系,准确度较高,且该方法能综合各类聚合物挤出过程数据的特点,具有普适性和互补性。