在现代工业过程中,软测量传感器对于实现及时有效的过程控制、优化和监控起着重要的作用。随着工业大数据时代的到来,以及实际工业过程的日渐复杂,数据驱动的软测量建模方法越来越体现出其优越性,同时也暴露出其局限性和新的应用需求。这其中,特征表示便是构建高精度软测量传感器的关键瓶颈之一。纵观模式识别领域近十年来的发展,最令人可喜和惊叹的莫过于深度学习技术所取得的进步和发展。因其在高层次抽象特征提取和表示的优异性能,已经在计算机视觉、自然语言处理、语音识别、自动驾驶等等诸多领域取得了突破并刷新了纪录。深度学习所具有的非线性建模能力以及很强的结构拓展性,使得其在工业过程监控及软测量建模领域也呈现出了极大的潜力。本文针对深度学习在软测量建模应用中普遍存在的效率低下问题,研究了基于自编码器的软测量建模方法,重点提高了特征表示的提取效率、特征表示的利用效率以及无标签样本的利用效率,主要研究工作包括:(1)针对传统自编码器特征提取过程效率低下的问题,提出了基于目标相关自编码器的软测量建模方法。通过在逐层预训练过程中,设计新的损失函数,合理地引进了目标质量变量的信息来引导神经网络提取出既是输入的抽象表示又有利于输出预测的特征,从而大大简化微调阶段的训练过程,提升堆叠自编码器的特征提取效率,并提升了算法的整体准确性。(2)针对传统自编码器特征利用效率低下的问题,在目标相关自编码器的基础上提出了基于门控堆叠目标相关自编码器模型的软测量建模方法。通过为每个隐层引入门控神经元,数值量化每一层的贡献度,并据此来决定其信息流到输出层的权重大小,从而合理而有效地将学习好的特征表示都用于最后的输出预测,提升堆叠自编码器的特征利用效率,并提升了算法的预测精度。(3)针对传统自编码器无标签样本利用效率低下的问题,在门控自编码器的基础上提出了集成半监督门控堆叠自编码器的软测量建模方法。为了同时满足集成学习所必须的多样性要求和提升无标签样本的使用效率,作为若干个门控堆叠自编码器的训练集是由若干个不同的无标签样本集和同一个有标签样本集构成的。通过在验证集上的RMSE指标计算权重,结合门控神经元的特点,实现了结构和数据维度上的双重集成,极大地利用和挖掘无标签样本的信息,并提升了算法的预测精度。