现代工业过程中,为保证产品质量与生产过程安全性,需要对某些难以直接测量却又与之密切相关的关键变量进行实时监测。软测量技术通过挖掘易于获取的辅助变量与难测主导变量之间的关系建立数学模型,间接完成对主导变量的有效估计,被广泛应用于各种现代流程工业和过程控制领域。然而,现代工业过程建模中,生产过程的多变量、非线性以及动态性会导致模型复杂度增高且建模精度降低。针对这一问题,本文基于稀疏学习理论与最优化方法,设计惩罚似然函数与长短期记忆（Long short-term memory,LSTM）神经网络相融合的非线性优化问题,开展面向复杂工业过程动态软测量算法的研究。论文主要研究内容如下:（1）针对复杂工业过程的动态软测量建模问题,将非负绞杀（Nonnegative garrote,NNG）算法与LSTM神经网络相结合,提出一种基于LSTM神经网络及其输入变量选择的动态软测量算法（NNG-LSTM）。首先,利用LSTM神经网络出色的历史信息记忆能力处理工业过程中的动态、时滞等问题;其次,采用NNG算法对LSTM网络输入权重进行压缩,剔除冗余变量,提高模型精度;最后通过数值仿真与对比实验验证了算法的优越性。实验结果表明所提算法能有效剔除冗余变量,降低模型复杂度并提高其预测性能。（2）针对NNG算法对LSTM神经网络输入权重优化时存在系数估计有偏的缺点,提出一种基于自适应NNG（Adaptive-NNG,ANNG）与LSTM神经网络的动态软测量算法（ANNG-LSTM）。利用最大互信息系数算法衡量输入变量与目标变量的关联程度,以设计自适应权重向量,并将其嵌入NNG-LSTM算法约束中,使算法可根据不同输入变量的特征重要性而施加不同程度的惩罚,实现其自适应输入变量选择与参数同步优化。数值仿真结果表明,ANNG-LSTM算法所建模型的变量选择结果更加精准有效,具有更高的预测精度与泛化性能。（3）通过深入分析某燃煤电厂石灰石-石膏湿法烟气脱硫过程工艺机理,将ANNG-LSTM算法应用于该过程排放烟气的SO2浓度软测量建模,并与其它先进算法进行性能比较,验证了所提算法的有效性。实验结果表明,ANNG-LSTM算法所建模型的各项性能指标均优于其它算法,其模型输入变量数目更少、预测精度更高,能精确预测排放烟气中SO2浓度的动态变化,可为该电厂烟气脱硫过程的SO2浓度在线监测提供有力参考。