关键性能指标测量对于流程工业的质量控制和运行性能至关重要,本论文针对当前流程工业关键性能指标测量难的问题,以目前三大类常用隐变量回归模型:主元回归、偏最小二乘回归以及独立成分回归为主要研究方法,针对其存在的不足之处,做了一些应用基础研究工作,取得的主要成果有:针对主元回归模型在非线性建模方面的不足,提出一种基于线性子空间的主元回归新模型。通过沿着不同主元方向构建线性子空间,有效地保障了各个线性子模型的差异性,并定义变量贡献度指标选取相关变量建立主元回归子模型。最后,通过贝叶斯概率加权的方式实现子模型结果的集成。通过工业实际数据,验证了提出方法的有效性。针对传统偏最小二乘回归模型在概率建模方面的不足,提出一种概率形式的偏最小二乘回归模型,并将单模型的结构扩展为混合模型的形式。在此基础上,针对回归建模过程中有标签数据样本数量有限的情况,将概率偏最小二乘回归模型扩展为半监督的形式,通过融合大量无标签样本的信息,提升回归模型的预测性能。针对独立成分回归模型的结构不稳定性,提出一种基于双层独立成分回归建模的软测量方法。通过贝叶斯概率集成的方式,融合各个独立成分方向上子模型的预测结果,有效改进了对光谱数据的建模和预测效果。基于集成学习方法,对三大类常用隐变量回归建模方法进行融合,互相取长补短,弥补各自的缺陷,通过多模型结构bagging方法,并结合最小二乘参数优化,进一步提升了隐变量回归模型在实际应用中的效果。