工业过程运行状态监测与自动控制需要安装大量的测量仪表。然而,由于高昂的成本或是技术的局限,有一类与产品质量密切相关的变量难以实时测量,导致产品控制质量下降、能耗与成本增加、企业竞争力下降。随着数据采集技术和数据分析方法的进步,数据驱动软测量建模方法被广泛应用于工业过程关键产品质量的在线实时估计。现代工业流程日趋复杂化、规模日益大规模化,工业过程往往表现出复杂的对象特性,如数据特性层面的高维度数据、测量环境噪声、离群点与缺失值和半监督数据;过程特性层面的过程非线性、过程非高斯性、过程动态性和多工况特性,这给开发高精度的软测量模型带来了极大的困难和挑战。为此,本文基于贝叶斯混合模型框架,针对复杂的数据特性和过程特性,逐步建立了一系列基于概率的产品质量变量估计方法。主要研究内容如下:（1）针对工业过程的非线性、非高斯性、多工况特性以及离群点问题,提出了一种基于贝叶斯Student’s t混合回归（BSMR）的鲁棒软测量建模方法。该方法通过设计了贝叶斯混合模型架构,有效地解决了过程非线性、非高斯性和多工况特性所引起的估计偏差难题;并将Student’s t分布用于刻画数据分布,保证了在离群点存在的情况下模型参数学习的准确性。（2）针对工业过程的半监督数据特性,提出了一种基于半监督贝叶斯Student’s t混合回归（S~2BSMR）的鲁棒软测量建模方法。该方法设计了一种半监督模型结构并开发了基于变分推断的参数求解算法,在有标签数据稀少情况下,借助无标签数据学习了更加准确的模型参数,释放了BSMR的数据挖掘能力。（3）针对稳态强非线性工业过程,提出了一种基于半监督非线性贝叶斯Student’s t混合回归（S~2NBSMR）的鲁棒软测量建模方法。该方法构建了基于单隐层神经网络的非线性组分模型,充分表征过程非线性,提出了基于并行计算的半监督非线性贝叶斯Student’s t混合回归方法,提高了大规模数据的建模效率。（4）针对工业过程的动态特性,提出了一种基于半监督贝叶斯Student’s t隐马尔可夫回归（S~2BSHMR）的鲁棒软测量建模方法。该方法设计了一种基于一阶隐马尔可夫链的动态信息传播结构,刻画了过程动态特性,建立了一种变分推断和前向反向算法融合的参数求解算法,实现了参数的自学习。（5）针对动态强非线性工业过程,提出了一种基于核学习的半监督贝叶斯Student’s t隐马尔可夫回归（S~2KBSHMR）的鲁棒软测量建模方法。该方法建立了一种基于核学习的非线性隐状态模型,并通过采用核学习的对偶形式,构建了主导变量和训练样本中所有有标签样本的辅助变量之间的线性回归关系（有标签样本个数已知）,有效避免了高维映射维度未知的难题。