化工过程软测量方法对于生产装备的连续平稳运行和保障产品质量有着重要作用。为了实现生产过程的智能化,对软测量方法进一步研究是必要的。通常,软测量方法良好性能需要大量标签数据的支撑。然而,标签数据的采集在时间、硬件和人工等成本上常造成巨大的损耗。为了保证软测量方法在标签数据不足时依然具有良好性能,生成对抗网络在化工过程软测量的应用研究具有重要意义。本文首先综述了生成对抗网络的研究现状。然后,结合化工过程数据的特点,提出一种基于Wasserstein距离的生成对抗网络软测量方法,用于化工过程关键变量的质量预测。主旨是在减少数据采集成本的基础上提升软测量模型的预测性能。针对基于Wasserstein距离的生成对抗网络存在低质量生成数据的问题,提出一种基于相似度量的对抗网络来控制生成数据的质量以优化模型的预测能力。针对数字图像数据采集的硬件类型少于过程变量,数据采集操作复杂度更低,提出一种条件变分自编码器生成对抗网络方法以高效提取化工过程数字图像特征。主要工作和创新点如下:(1)针对传统软测量模型无法处理只有少量标签数据的情况,将基于Wasserstein距离的生成对抗网络应用于化工过程关键变量的预测。针对基于Wasserstein距离的生成对抗网络存在低质量生成数据影响模型性能的问题,提出一种相似度量的生成对抗网络方法。从仿真实验和实例实验两方面验证了该方法的有效性,不仅缓解了数据采集周期冗长、成本高昂等问题,且提高了传统软测量模型的预测性能。(2)相较于化工过程变量数据,数字图像数据具有采集所需硬件类型更少、信息维度更高、人工能够直接观测的特点。针对传统软测量模型难以高效提取数字图像特征的问题,将卷积神经网络引入生成对抗网络中,并结合条件生成对抗网络和变分自编码器各自优点,提出一种条件变分自编码器生成对抗网络方法。不仅改良了条件生成对抗网络对多样性特征表达的缺陷,且解决了变分自编码器生成对抗网络在多类别问题下生成效率低的问题,实现生成对抗网络在化工过程数字图像中的应用,并提升了软测量模型的预测效果。