随着第四次工业革命的到来,我国工业智能化、信息化程度也日益提高。工业互联网的普及使得人、机器、数据之间的信息流动与沟通愈发重要,工业大数据的价值日益凸显。然而工业过程中关键指标的数据相比较为稀少,传统的数据驱动软测量方法建模性能稍显逊色。因此,如何从海量的工业过程大数据中挖掘出其蕴含的高价值信息进行关键指标建模,并应用于实际工业过程的操作指导,成为了基于深度学习的工业过程软测量所关心的核心问题。本文选取典型流程工业中的钢铁行业作为切入点,以烧结过程为主要研究对象,提出了基于深度学习的烧结过程关键指标软测量建模方法。针对烧结过程特性与数据特性,重点解决了以下几个问题:（1）针对烧结过程等钢铁行业普遍存在的数据质量差的问题,例如数据缺失、数据异常等,提出了一种基于MW-GRU软测量模型的烧结机风箱温度传感器故障数据恢复方法。本方法利用数据驱动的软测量建模策略,通过提出的MW-GRU方法对传感器缺失数据进行预测建模,从而达到故障数据恢复的效果。在烧结机风箱温度传感器和高炉炉缸温度传感器的实验中分别验证了该方法的有效性,从而为后续软测量的数据可靠性提供了保证。（2）针对烧结过程动态性,数据具有时滞性的问题,提出了一种新的基于时间扩展的特征提取神经网络框架（DTFEE）。以烧结过程为例的流程工业,线性模型的跟踪效果往往不能满足实际生产的需要。本文研究了烧结过程中动态时间特征扩展与提取方法,并提出了一种新的基于时间扩展特征提取的神经网络框架,用于预测铁矿石烧结过程中的Fe O含量,该方法考虑了时延、时间差分、扩展和序列化。该网络框架可以有效地提取动态时间特征,根据时间分布重构长过程工业数据,并充分利用未标记数据的动态特征。该模型结合了工艺特点并进行了相应的调整。（3）针对烧结过程有标签数据过少的问题,提出了一种基于半监督动态时间特征扩展和提取的编码器-解码器框架（SS-DTFEE）来预测铁矿石烧结过程中的Fe O等参数。该框架可以有效地使用大量未标记的数据来获取工业过程信息。编码器-解码器模型由加权双向长短时记忆网络构建,可以更好地学习双向时间序列隐藏信息。未标记数据基于预训练策略获得网络结构和权重,其中包含过程隐含信息。在微调策略下,将预训练得到的隐藏层信息与标注数据一起训练,得到比监督学习更好的预测效果。（4）针对烧结过程数据多源数据特性,提出了基于多源数据信息融合的烧结质量预测模型（MDF-DTFEE）。针对烧结过程化验变量过于稀少的问题,引入了工业摄像头采集的视频数据。本文提出基于特征高度平滑的关键帧提取方法,基于烧结矿分层的浅层特征构建方法,基于Res Net的深层特征提取方法,以上方法构成了基于多源数据信息融合的烧结质量预测模型,充分融合多源数据信息,有效的提升了烧结矿质量预测模型的精准度。（5）针对工业互联网平台的特点,开发了基于工业互联网平台的烧结矿质量预报系统。利用容器化技术,将本文设计的烧结矿软测量模型进行封装打包,并部署在工业互联网平台。设计的基于即时学习的模型在线更新策略,在实际烧结生产线上运行效果良好,为实际生产过程提供了良好的指导作用,提升了烧结工艺生产线的智能化程度。