在现代工业生产中,对于过程质量变量的实时监测与控制是确保过程安全平稳运行的关键。针对部分关键质量变量难以在线实时测量的问题,近些年来软测量技术已经引起了工业界和学术界的充分关注。核偏最小二乘（Kernel Partial Least Squares,KPLS）作为一种有效的非线性多元统计建模方法,广泛应用于非线性工业过程软测量建模领域。本文以KPLS模型作为核心软测量模型,结合工业过程数据特性研究改进的KPLS软测量建模方法,解决工业过程中出现的非线性特征提取模型深度不足、不可观测多模态难区分、时变过程在线建模精度低问题。本文主要工作如下:首先,针对传统核偏最小二乘作为浅层学习模型不能充分挖掘数据特征问题,提出一种具有深度层级结构的深度核偏最小二乘模型（Deep Kernel Partial Least Squares,De KPLS）。传统核偏最小二乘方法在建立数据模型时,只提取了一层数据特征,不能充分有效挖掘数据间的复杂关系。本文借鉴深度学习思想,构建了一种De KPLS特征提取框架,以核偏最小二乘为最小特征提取单元,通过多层特征提取获得数据的深度特征以解释变量间的复杂非线性关系,提升软测量模型预测精度。通过在脱丁烷塔过程和硫回收单元的应用结果表明所提出的方法比传统KPLS方法具有更好的建模预测效果。其次,针对一类不可观测多模态过程软测量建模中模态难以区分的问题,提出基于隐因子聚类（Latent Factor Clustering,LFC）-核偏最小二乘的多模态软测量建模方法。传统基于距离准则的聚类算法难以区分不可观测多模态模态数据,本文研究基于隐因子聚类的工业过程多模态识别方法,该方法将数据映射至非线性隐空间,并在隐空间内区分不同模态数据,再对识别出的不同工业模态数据分别建立局部核偏最小二乘软测量模型。在数值系统以及连续搅拌反应釜系统的仿真结果表明所提出方法能够解决此类不可观测多模态过程的软测量建模问题。最后,针对时变过程在线预测建模精度低的问题,提出一种改进的即时学习-核偏最小二乘在线建模方法。考虑到过程数据的非线性,设计了一种基于核空间的样本相似度度量方法。该方法利用核映射技术在高维非线性特征空间中衡量样本相似度,所选取的相似样本具有更好的非线性相似性。在局部建模阶段,考虑到工业过程具有的时变特性,提出一种自适应模型参数更新策略。通过观察最近时刻样本的建模效果,即时调整模型参数,使所建立的临时模型能够准确跟踪过程特性变化。通过在脱丁烷塔过程和重油催化裂化过程的应用结果表明所提出的改进方法比传统即时学习-核偏最小二乘算法具有更高的预测精度。