软测量技术是过程控制和过程检测领域解决难测变量实时估计等问题的重要手段。随着实际工业过程对象的日益复杂,对于带有非线性、多变量、时变性等复杂特性的系统,采用多模型软测量建模方法相比于单模型更好地描述对象的过程特性,显著提高软测量模型的建模精度和泛化能力。本文采用基于仿射传播聚类算法的软测量建模方法,首先对离群点进行预处理,然后根据改进的仿射传播聚类算法对数据集聚类,对每个数据子集建立不同的子模型,通过隶属度加权将子模型融合得到最终输出,进而提高整体软测量模型的泛化能力。本文的主要内容有:第一,针对基于数据驱动建模方法的效果好坏取决于该方法的假设是否符合对象的实际特性的问题,通过几组仿真数据,研究各种常用软测量建模技术在不同样本特性下的建模效果并分析原因,得到可用于指导数据驱动软测量建模技术应用的一系列规律性结论。第二,小波核函数能够改进参数估计,逼近较为复杂的非线性函数;正交最小二乘算法能够提取到输入变量与输出变量间的非线性关系。通过构建基于小波核函数的正交最小二乘法,将二者有机地结合起来,通过粒子群算法对核参数寻优,仿真实例表明,该方法能有效地提高模型的泛化能力。第三,针对工业操作过程中存在的奇异点,本文引入了基于单分类支持向量机的奇异点检测方法,为了判断离群点是否是真正意义上的奇异点,引入了奇异点分类的概念,基于贝叶斯分类原理将奇异点分为脉冲型奇异点,短阶跃型奇异点和长阶跃型奇异点。第四,针对仿射传播聚类算法聚类耗费时间较长,聚类精度不高的情况,改进了基于自适应仿射传播聚类的多模型软测量建模方法。为了获得最优的聚类个数及聚类结果,缩短聚类运算的时间,采用计算偏向参数范围的自适应仿射传播聚类算法对样本进行聚类。仿真结果表明本文提出的算法能较好地提高模型的预测精度和泛化能力。最后,总结全文的研究工作,给出了多模型软测量技术相关有待深入研究的问题。