随着工业生产规模的不断扩大,工业生产过程变得愈发复杂,对于系统中一些关键参数的测量变得更为重要。传统的测量技术主要基于新型的过程测量仪表,以硬件形式实现过程参数的在线测量。但受限于过程机理、物理环境、传感器和仪器硬件特性等因素的影响,工业生产过程的某些关键参数难以通过硬件设备直接在线测量。软测量技术采用间接测量的思路,利用过程中易获取到的辅助数据信息建立相应的数学模型,实现对难测主导变量的估计。传统软测量建模要求建模数据与实时数据满足独立同分布假设,并且建模的过程数据来自于单一的稳定生产工况。但在实际工业生产过程中,由于设备重组,原料和外界环境变化等情况会导致过程具有多个稳定工况,即同一个生产过程具有多个稳定工作点,并且不同稳定工作点间变量的相关关系具有不同的特性,这类过程被称为多模态过程。不同模态间的数据分布存在差异,造成软测量模型性能恶化。因此,寻找合适的建模方法以应对工况变化造成的影响是多工况软测量建模中的关键问题。不同模态数据具有不同的过程特性,需要建立不同的模型。模态划分多用于多模态化工过程的过程监控及故障诊断中,引入其对历史数据进行模态划分是研究多模态软测量建模问题的关键之一。除此之外,当前数据和历史数据不再服从相同的概率分布,导致模型失准。本文在软测量建模中引入无监督域适应方法,将历史数据作为源域,当前数据作为目标域,重点研究子空间学习在多模态软测量中的应用。本文的主要研究内容和创新点如下:（1）针对单个软测量模型无法对具有多模态特性的工业过程进行描述,且当前数据和历史数据不服从同一分布而导致软测量模型失准的问题,提出了一种模态划分与子空间对齐相结合的无监督软测量建模方法。具体来说,首先研究了一种基于相对熵的离线模态划分方法对历史数据进行模态划分,以便为不同历史模态数据建立不同的软测量模型,并利用相对熵为当前数据匹配最相近的历史模态;然后研究了一种邻域保持子空间对齐域适应算法,在保持数据局部流形结构的同时对齐当前数据和匹配模态数据的特征子空间,从而在一定程度上降低两者的分布差异;最后利用对齐后的数据建立偏最小二乘回归预测模型,获取当前数据的软测量预测值。（2）针对基于相对熵的离线模态划分方法存在一些不足之处,如需要指定聚类数及滑窗阈值等,研究了一种基于最优模态划分数的多模态过程离线模态划分方法,可以实现最优模态数目和划分结果的求取。具体来说,首先对过程数据进行分割,求取相邻窗口之间的相对熵并排序;然后通过度量函数求得最优模态划分数rb,选择相对熵前rb-1大的窗口作为初始模态变化窗口;最后直接利用另一度量函数实现局部数据的准确划分,得到最终的模态划分结果。通过数值仿真实验下的模态划分结果和TE仿真过程下的软测量实验结果表明了本章算法的有效性。（3）针对历史数据与当前数据间公共信息无法有效利用的问题,研究了一种基于线性局部切空间排列的测地线流式核无监督软测量建模方法。通过提取历史数据和当前数据的公共信息,将二者的公共信息投影到一个流形子空间,在子空间中完成特征迁移,进而降低二者间的分布差异,实现无监督软测量建模。