人工神经元网络在软测量技术中被广泛的应用。软测量模型的建立是软测量技术的核心，人工神经元网络可以方便建立黑箱模型，从而实现对难测变量的估计。但对于工艺与时间紧密关联的非线性工业过程，传统的人工神经网络建模往往存在模型精度低，泛化能力差的缺点。过程神经元网络在传统人工神经元网络基础上，通过引入时间聚合算子来表达工业过程时间累积的作用，能够更好的表达过程模型的本质，极大了提高了预测精度。　　 由于过程神经元网络的提出时间较短，还有很多需要细化和改进的地方。过程神经网络的输入和连接权均可为时变函数，使网络同时具有时空二维信息处理能力，但同时运算的复杂度也大大增加，引入正交基是一种较好的解决办法。在网络输入函数空间中选择一组适当的函数正交基，将输入函数和网络权函数都表示为该组正交基的展开形式，利用基函数的正交性简化过程神经元对时间的聚合运算。基于正交基展开的学习算法极大的提高了过程神经元网络的实际应用能力。　　 本文首先研究了过程神经元网络的原理，特别是基于的快速离散哈达马Walsh变换的过程神经元网络。实际问题中网络的输入往往是随时间变化的离散数据，离散Walsh变换的过程神经元网络有更广泛的应用背景，基于哈达马矩阵的离散Walsh变换使得过程神经元网络正交基展开更为快捷。　　 其次，提出了一种基于核主元分析与离散Walsh变换的改进过程神经元网络IPNN-KPW。分析了过程神经元网络高时间代价的产生原因，将核主元分析思想与离散Walsh变换相结合，改进了网络性能，减少了运算时间代价。同时，将动量因子和自适应学习率引入网络，加速了网络收敛并有效抑制网络震荡。　　 最后，将改进的过程神经网——IPNN-KPW应用到聚丙烯腈聚合反应的软测量建模中，并与其他算法进行了测试对比，给出了测试结果与分析。结果表明，应用核主元分析与离散Walsh变换的改进过程神经元网络更能反映过程的时间特性，所建立模型精度高，建模时间代价小，在软测量建模技术中有着良好的应用价值与潜力。