随着生产技术水平的不断提升,工艺过程日渐复杂,过程数据也表现出时变性、非高斯性、多阶段性、不确定性等复杂特征,使得机理建模变得更加困难。因此,人们往往从系统的过程数据出发,借助于机器学习、数据挖掘以及统计分析等手段,采用局部建模方法,以多个局部模型实现对复杂系统的逼近,达到对关键性能指标实时估计的目的。这种建模方法,不仅能够将复杂模型简单化,而且还具有开发成本低、实时性高、易于调整和维护等优点,从而备受人们关注。本文在国家自然科学基金(项目编号:61873113)的资助下,以流程工业为研究对象,直接利用所获得的过程数据,在局部建模思想下,将部分过程信息与建模算法相结合,研究了复杂系统的软测量建模算法,其主要内容包括:针对过程数据不能完全覆盖系统的工况,提出一种变超参数递推高斯过程回归在线校正模型。该模型利用改进的共轭梯度算法,通过重置模型参数更新非线性映射关系,以适应函数空间非线性特征的变化,并在滚动窗口机制下,实现局部高斯过程回归建模。通过数值案例和青霉素发酵仿真平台验证该模型的有效性。针对大范围工况系统中数据分布呈现非高斯特性,提出一种基于局部近邻标准化的自适应多级偏最小二乘算法。该算法利用辅助变量的最大差异信息,将原始数据进行局部近邻标准化处理,使其满足单峰分布并建立相应的偏最小二乘模型。采用样本更新和块状更新策略,提升模型的自适应能力。通过模拟连续搅拌釜反应器和蒸馏塔异丙苯含量软测量模型验证算法的有效性。针对间歇过程的不同阶段数据分布存在重叠性问题,提出了基于稳定状态分析的循环神经网络(SSID RNN)算法与时间信息内嵌的高斯混合模型(TFGMM)算法。在SSID RNN算法中,通过稳态区间表征不同的过程阶段,利用方差信息对稳态阶段进行辨识,建立相应的局部循环神经网络模型,并借助循环神经网络的记忆单元建立阶段间的联系。在TFGMM中,利用间歇过程的时序特性,改变重叠区域样本的后验概率,进而改善混合模型中的未知参数估计的准确性。通过数值仿真和青霉素发酵过程验证算法的有效性。针对过程输入数据易受噪声干扰问题,提出一种有限EM迭代的子空间辨识算法,该算法借助卡尔曼滤波的动态局部最优估计思想,将传统数据驱动模型拓展至系统矩阵未知的状态空间描述中,以减少随机输入噪声对预测模型的影响。通过EM算法改善最小二乘框架下子空间辨识结果的有偏性。利用输出噪声方差估计,给出了有限EM迭代终止条件,获得预测模型的系统矩阵。通过数值仿真和TE过程验证算法的有效性。