缺乏对某些关键产品质量的实时测量是现代工业中的主要问题之一,可能生产出不合规格的产品,为了解决这一问题,各种软测量建模方法被提出。软测量是使用可测的过程变量来推断无法或难以在线测量的变量的一种技术。卷积神经网络是深度学习中的一个重要算法,它能够直接从原始信息中提取出特征,同时它的权值共享特性降低了网络复杂度。论文使用卷积神经网络和已有的浅层算法相结合,建立一个具有更高精度的,更深层次的动态软测量模型。论文主要对以下几个方面展开研究:(1)针对PTA精制过程中PTA平均粒径的软测量建模,提出了一种卷积神经网络和XGBoost混合建模的动态软测量模型,卷积神经网络提取动态特征,XGBoost算法对提取的特征进行拟合,通过对实际采集PTA平均粒径的数据进行仿真实验,证明了该算法具有较高的预测精度。(2)针对PX氧化过程4-CBA含量的软测量模型,提出了使用全局最大池化和线性组合输出的卷积神经网络,降低了网络的复杂度,通过实验仿真证明了,基于该卷积神经网络建立的动态软测量模型具有良好的性能。(3)将PX氧化过程采集到的数据的每一个输入样本使用再次采样的方法,生成多组数据,从而建立具有多个输入通道的卷积神经网络,本文对4-CBA含量进行了预测,分析了多通道卷积神经网络的动态软测量模型的性能。仿真实验结果证明了该模型相比于单通道卷积神经网络具有更好的性能。