一些复杂工业过程，特别是化工过程中，由于传感器技术或经济成本的限制，其些对生产具有指导意义的关键状态或参数往往无法直接测得。当前建模技术中常用的扩展Kalman滤波器(EKF)和神经网络(NN)常常被用来估计这类非线性对象的状态和参数。然而，系统模型不确定性会使得滤波器估计精度降低甚至发散；神经网络学习算法中经典的误差反传(BP)算法收敛速度慢，存在局部最小等问题，使模型精度受到影响。为此，本文主要在以下方面开展研究并取得成果如下： 1、在EKF二元估计(DEKF)算法的基础上，引入有限差分滤波器(FDEKF)和次优渐消因子，提出了一种强跟踪有限差分滤波二元估计算法(DSTFDEKF)。仿真表明，通过使用中心差分法计算偏导数，能够提高滤波器的数值稳定性，而次优渐消因子的引入，提高了滤波精度。 2、将Kalman滤波(KF)算法应用于神经网络的学习，从而使神经网络的学习过程收敛快、精度高，取得以下成果： 1)使用EKF算法学习一类静态前馈神经网络，并对算法进行改进，提出一种能够进行样本异常数据自动识别的EKF学习算法(OADEKF)。数值仿真表明，OADEKF学习算法能够避免由于样本异常数据引起的过拟合现象。 2)从工业过程建模的实时性出发，提出一种动态神经网络Kalman滤波快速学习算法(FLKF)。FLKF算法只根据当前样本数据实时调整网络输出层权值，大大降低了计算量和存储空间的要求，提高了学习速度。 3)使用OADEKF算法学习丙烯腈聚合反应质量指标神经网络模型，现场工业数据的仿真表明，建立的神经网络模型能够较准确的估计转化率等关键指标。