在工业生产过程中为了保证产品质量需要对某些主导变量进行实时监测与控制,然而受技术或环境条件的限制,使得主导变量难以通过硬件传感器检测获得。软测量技术凭借低成本、响应迅速和抗干扰能力强的优点成为了控制领域的研究热点,并在复杂工业过程中得到了广泛的应用。但在实际生产过程中经常出现有标签样本数量稀少,专家对无标签样本化验标记代价昂贵的情况,这使得建立的模型难以达到理想的预测精度。针对上述问题,本文对主动学习算法展开研究,通过制定合适的样本选择策略,主动选取出最能够提升当前模型性能的样本,将其与软测量建模相结合后,能够有效地缓解模型对于有标签样本数量上的依赖。本文的主要研究内容与创新如下:（1）针对工业过程中因有标记样本缺乏而导致模型预测精度低的问题,提出一种基于协方差矩阵的主动学习算法。通过有标签样本确定高斯过程回归模型参数,以无标签样本构成的协方差矩阵行列式的值作为评价指标,在挑选出高质量无标签样本的同时,衡量样本间的相似性,避免样本的冗余标记。通过数值仿真和青霉素发酵过程的应用仿真,验证了所提算法能够在提升模型预测精度的同时,显著降低人工标记成本。（2）针对传统的主动学习算法中,因样本选择策略单一而造成挑选出的无标签样本信息量不足的情况,提出一种基于双层优选策略的主动学习算法。从样本的不确定性、差异性和代表性三个角度出发,通过建立不同预测模型对无标签样本的信息量进行评估,根据样本间的分布信息,提出新的评价指标用于无标签样本的第一层优选。在第二层优选中,利用最远优先遍历算法去除样本间的冗余信息,使得优选出的样本在具备信息量的同时,彼此之间差异性较大,标记后对模型精度的提升更为有利。通过工业过程数据的应用仿真,验证了算法的有效性和性能。（3）为进一步提高模型的预测精度,提出一种结合高斯混和模型的主动学习策略,并进行半监督回归建模。一方面,利用辅助变量与预测误差的关系构建高斯混和回归模型,根据模型的预测方差挑选出不确定性较高的无标签样本进行标记,以扩充有标签样本集;另一方面,利用马氏距离选取出与有标签样本空间结构相似的无标签样本作为候选样本,在协同训练过程中,对候选样本集中置信度较高的样本进行伪标记,并建立最终的预测模型。将所提算法应用于工业硫回收过程中硫化氢浓度的软测量,实验结果表明,所提算法在模型预测精度方面得到有效提升,说明了将主动学习与半监督学习相结合的可行性和有效性。