现代工业工艺随着计算机技术的发展愈加信息化、智能化。工业生产过程中控制过程变量是非常必要的,软测量技术作为先进技术之一,能够对工业生产过程中不易测量的过程变量实现在线实时预测。深度置信网络是一种典型的深度学习算法,该算法在特征学习方面优势显著。论文以4-CBA含量软测量建模为研究对象,将深度置信网络和已有的浅层算法相结合,深入研究更深层软测量模型。论文主要研究了以下几个方面。为了解决二进制深度置信网络算法处理连续采样数据过程中的对称性问题,引入了连续的受限玻尔兹曼机单元,成功拟合了非线性函数。针对实际化工工艺中4-CBA含量软测量建模,提出基于深度置信网络的软测量模型,模型训练过程中充分利用了样本信息,提高了预测精度。在深度置信网络算法参数优化过程中,论文深入研究了隐含层节点数和迭代次数对软测量模型测试性能的影响,分析了大量的隐含层节点数,获得了一些经验值,以初始样本数据和重构数据之间的差值来判断模型训练过程中最大似然估计的收敛情况,提高了迭代次数寻优的效率。论文最后研究了含有多个隐含层的深度置信网络,分析了深层深度置信网络的模型性能,并且针对4-CBA含量实现了软测量建模。仿真实验结果证明:基于深度置信网络的4-CBA含量软测量模型预测精度更高。