产品质量控制是工业过程中至关重要的环节，但是在大量实际生产过程中质量指标往往很难在线得到，这给过程的在线监控造成了很大的困难，同时导致难以实现过程的在线控制和优化操作。本文以某工厂的高密度聚乙烯(High Density Polyethylene，HDPE)装置为例，重点研究工业过程中的软测量和优化技术。HDPE是由乙烯单体共聚生成的热塑性聚烯烃，具有很好的物理化学特性，因此被广泛应用于国民经济的各个领域中。但是国内HDPE生产技术与国外领先的技术相比仍然存在一定差距，国内聚乙烯生产企业急需利用先进的过程软测量和控制优化技术来指导实际工业过程的生产操作。本文的主要研究工作如下：首先，阐述了论文研究的目的和意义，介绍了软测量技术的研究内容及主要的建模方法，其中重点介绍了基于数据驱动的建模方法，并综述了目前国内外软测量技术的研究和应用现状。其次，本文先对过程神经网络(Process Neural Network，PNN)的输出误差函数进行了改进，进而提出了基于改进后的PNN的软测量建模方法。首先采用移动窗口技术来确定包含过程稳态运行大部分信息的时间序列，利用PCA算法的Q统计量表征数据间的相关性，由此确定移动窗口的长度；然后利用改进后的PNN建立对象的软测量模型并对主导变量进行连续的预测；最后实际应用时对软仪表进行在线校正以实现对于工业过程的连续高精度预测。再次，从聚合反应的机理分析入手，选取软测量的辅助变量，并对其进行必要的数据预处理工作。然后利用本文所提出的基于PNN的软测量建模方法建立HDPE的熔融指数(Melt Index, MI)的软测量模型，并与传统的动力学软测量模型和BP软测量模型的性能进行比较。针对HDPE的仿真研究证明，本文所提出的基于PNN的软测量建模方法具有较高的预测精度和很好的跟踪性能，同时该方法具有的自适应特性保证了其在线应用的可靠性。最后，在建立聚合物MI软测量模型的基础上，本文利用先进的粒子群优化算法优化聚合反应过程的操作，寻求过程的最优操作点，给工业的优化控制提供一定的参考依据，这对于保证产品的质量、节约生产成本和提高企业的经济效益发挥着重大的作用。