在经济与科技高速发展的今天，化工行业对国家的发展仍然起着举足轻重的作用。虽然自控技术在近几十年取得了显著的进步并且在各行各业得到了很大的应用，但是对存在参数未知、结构未知及非线性严重且不易实现对象建模的化工过程进行有效的控制仍然是一个难题。因此，为了实现化工过程对象的有效控制，实现生产效率的提高以及达到节能减排和资源有效利用等的生产要求，首先要解决的问题就是如何合理的建立化工对象的模型。本文针对三种类型化工对象展开建模，即对象结构已知而部分参数未知、对象结构和参数均部分未知、对象结构和参数均未知的情况。主要的灰箱建模思想是将回声状态网络（ESN）、先验知识以及根据物理化学定律挖掘的反应基元等元素进行合理的结合，进而实现化工对象的灰箱建模。此外，考虑到不同类型对象的特点，又利用了其他灰箱建模方法进行了对象建模的探讨。本文主要包含以下几个方面内容：1、提出了ESN的迭代改进算法。分别将带遗忘因子的递推最小二乘（FFRLS）和无先导卡尔曼滤波（UKF）用于ESN的权值训练。考虑到ESN是一种新型的动态神经网络，具有很强的非线性逼近能力。此外，状态池可以根据实际的需要进行稀疏连接等。因此将ESN用于本文的灰箱建模当中。但是ESN的传统训练方法存在以下不足之处：首先所需训练样本数据较大。其次由于训练是通过一次求逆得到的，所以在数据所构成矩阵不可求逆等情况下，应用此方法进行权值的训练会受到限制。再次这样的训练方法不能应用于在线建模和辨识的地方，不利于建模方法的扩展。为了能够很好的将ESN应用于后续化工对象建模当中，提高建模的精度和扩展建模方法的应用范围。本文将FFRLS和UKF分别应用于ESN输出神经元为线性和非线性函数的权值的训练中。通过对黑箱模型的训练仿真实验，说明了上述方法对ESN训练不仅提高了建模精度、实现了在线更新，而且优于ESN传统的训练方法。2、针对结构已知、参数部分未知的过程对象提出了，基于结构和参数寻优的灰箱建模方法、基于ESN和结构逼近的灰箱建模方法以及基于黄金分割的在线修正算法。基于结构和参数寻优的灰箱建模方法是一种利用NPSO算法和对象结构相结合的灰箱建模方法。此方法在保持已知的机理结构和参数的情况下，通过NPSO的全局搜索能力对模型的未知参数进行寻优搜索，进而建立对象的灰箱模型。基于ESN和结构逼近的灰箱建模方法：首先对于未知的参数进行经验给定。其次充分利用ESN的特点，将对象结构和参数融入到状态池内，以实现结构上逼近原型模型。最后通过训练模型的输出权值弥补经验参数给定造成的建模误差。本文应用上述改进的训练方法完成对权值的训练。针对输入信号超出其范围，造成模型输出误差较大时，本文对已建灰箱模型的可测变量进行实时监测，当出现较大偏差时，利用黄金分割法对关键参数进行修正，进而使模型输出的误差减小。3、针对结构和参数均部分未知的过程对象，提出了基于迭代线性化和结构逼近的灰箱建模方法、基于对数线性化的结构及参数辨识的灰箱建模方法。基于迭代线性化和结构逼近的灰箱建模方法：首先通过迭代线性化的方法对对象的未知结构部分进行处理。其次将对象的已知结构和处理过的部分融入到ESN的状态池内。最后利用FFRLS算法对ESN的状态池内权值进行训练，进而实现灰箱建模。基于对数线性化的结构及参数辨识的灰箱建模方法：首先保留已知的结构部分，对于未知的部分进行对数线性化处理。其次利用FFRLS算法对结构未知部分进行辨识。最后利用FFRLS算法对于参数未知部分进行辨识，进而实现对象的灰箱建模。4、针对结构及参数均未知的对象，提出了基于ESN和基元的灰箱建模方法。在此灰箱建模方法建模的过程中首先对建模对象进行特性分析。其次根据分析结果以及相关理论知识挖掘反应所需的关键基元。然后将所获基元作为ESN状态池内的状态，赋予节点实际的意义。最后通过训练输出权值弥补建模过程中的误差，进而实现灰箱建模。最后针对本文建模方法未能解决的部分问题进行了阐述。