软测量技术主要通过易测过程变量(辅助变量)构建推断模型,实现难测变量(主导变量)的在线实时估计,已在工业上得到了广泛的应用。但是,随着过程工艺的日益复杂以及先进控制系统的进一步优化,产生的过程数据量在成倍的增加,对软测量技术的精度和可靠性提出了更高的要求,如何从纷繁复杂的过程数据中提取出重要特征信息变的更加重要。本文以慢特征分析(Slow Feature Analysis,SFA)作为基本算法,对过程数据进行特征提取,同时考虑了工业过程数据中普遍存在的非线性和时滞等特征,对软测量建模方法进行了改进研究,主要研究内容如下。(1)针对工业过程数据的特征提取问题,提出了一种基于慢特征分析的回归建模方法。首先,通过慢特征分析算法提取过程数据中一部分变化最为缓慢的成分,作为过程的本质特征;然后,基于本质特征建立最小二乘回归模型;最后,选取TE过程数据进行仿真实验,通过对比主元回归和偏最小二乘回归两种建模方法的结果,表明慢特征分析算法的有效性,且基于该算法建立的回归模型具有更高的预测精度。(2)考虑到大部分实际工业过程的非线性特征,提出了一种基于非线性慢特征分析的高斯过程回归软测量建模方法。采用二阶多项式扩展形式的非线性慢特征分析对线性SFA进行改进,从而提取过程中的非线性特征,进一步利用提取的非线性特征建立高斯过程回归(Guassian Process Regression,GPR)模型。最后,通过对青霉素发酵过程的数据仿真,验证了非线性慢特征分析方法的有效性,建模精度也得到进一步的提高。(3)进一步考虑由于实际工业过程数据中存在时滞而导致的建模数据时序不一致问题,同时改善二阶多项式扩展形式的非线性慢特征分析算法的性能,提出了一种基于核慢特征分析和时滞估计的GPR建模方法。首先,通过模糊曲线分析对历史数据进行信息挖掘,得到其最优时滞参数估计,并对建模数据进行重构;然后,对重构数据采用核慢特征分析进行非线性的特征提取;最后,基于提取的特征建立GPR模型,从而实现对主导变量的预测。通过对脱丁烷塔过程的仿真实验,验证了所提方法的有效性和精度。