软测量建模对于保障流程工业的高效稳定运行以及提高产品质量具有重要作用。但受限于过程机理、生产原料和运行环境的变化,极易导致系统工况突变,产生多工况、多模态特性,不同工况间的数据分布产生差异,传统软测量模型失准。因此,寻找合适的建模方法以适应工况变化造成的影响是多工况软测量建模中的关键问题。针对实际运行过程中的多工况问题,本文在软测量建模中引入迁移学习策略,将历史建模工况数据作为源域,目标待测工况数据作为目标域,重点研究基于特征的迁移学习在多工况过程参数软测量建模中的应用,并根据实际测量过程中待测工况是否包含带标签样本,分别研究基于半监督域适应和无监督域适应的建模方法,主要研究内容和创新点如下:1、针对工况突变时待测工况的少量带标签样本信息以及不同工况间的公共信息无法有效利用的问题,研究了一种基于局部线性嵌入的参数迁移多工况软测量建模方法。首先提取历史建模工况和目标待测工况的公共信息;然后利用两者的公共信息作为域适应随机权神经网络的输入,充分利用待测工况少量带标签样本信息,完成对待测工况过程参数的软测量建模。2、针对工况突变时待测工况无带标签样本以及不同工况间的公共信息无法有效利用的问题,研究了一种基于局部切空间排列的测地线流式核软测量建模方法。通过提取历史建模工况和目标待测工况的公共信息,将二者的公共信息投影到一个流形子空间,在子空间中完成特征迁移,进而降低不同工况间的分布差异,实现一种无监督的软测量建模方法。3、针对工况突变时待测工况无带标签样本以及如何有效降低特征变换中各工况数据分布差异的问题,集成最大均值差异和协方差分布差异,对特征变换过程中不同工况的边缘分布、条件分布以及相关性作出约束,并分别引入最大方差以保证对不同过程参数的表示能力,引入流行正则化以保持投影过程中不同工况数据的局部结构信息,研究了基于子空间域适应的测地线流式核和基于对齐子空间域适应的两种软测量建模方法,无需带标签样本,降低特征变换过程中历史建模工况和目标待测工况之间的分布差异;针对变换到子空间后,不同工况数据分布差异仍然较大的问题,分别基于测地线流式核以及子空间对齐,对投影到子空间中的历史建模工况和目标待测工况数据的特征信息进行迁移变换,降低子空间中不同工况数据的分布差异,从而提升模型的软测量精度。