对工业生产过程中关键质量变量的精准预测,是实现系统优化控制和保障系统安全稳定运行的必要前提。软测量方法是实现上述目的的主要技术手段。但由于多样化的市场产品需求和复杂多变的生产环境,导致多工况特性普遍存在流程工业生产过程中。当过程数据随工况变化发生分布漂移时,破坏了传统软测量方法中训练样本与测试样本同分布的假设,进而导致软测量模型性能恶化,对关键质量变量的预测失准。迁移学习的理论和方法可有效降低数据分布差异对模型性能的影响,因此,本文引入迁移学习中的域适应策略,重点研究了待测工况无带标签样本时的多工况无监督软测量建模问题。本文首先阐述了多工况软测量建模所存在的问题以及现存多工况建模方法的局限性,并结合多工况过程数据特性给出软测量中域适应问题的形式化说明。本文引入无监督域适应方法来应对历史工况与待测工况存在数据分布差异的问题,并考虑过程数据的动态性、非线性、随机性等特性,研究适用于多工况建模的无监督域适应回归方法。主要研究内容可归纳为以下几点:1、针对无监督域适应方法因待测工况中主导变量标签难以获取,无法实现标签分布差异对齐的问题,引入公共特征与特殊特征提取方法,研究了一种利用公共特征进行迁移与利用特殊特征进行标签校正相结合的软测量方法。首先提取多个历史工况和待测工况数据的公共和特殊特征,然后利用测地线流式核方法在公共特征上实现边缘分布对齐,同时借助历史工况中主导变量存在真值的事实,估计模型对主导变量的预测误差,最后利用特殊特征与预测误差值建立回归模型实现标签校正。实验结果验证了该方法的有效性,可以一定程度上减少历史工况与待测工况中标签分布的差异,提高模型预测精度。2、针对无监督域适应方法在实现分布适配过程中缺乏标签信息的指导,易破坏原始数据映射关系进而出现负迁移的问题,研究了一种基于迁移子空间学习的偏最小二乘回归软测量方法。首先将迁移子空间学习方法作为域适应正则项嵌入NIPALS模型,使域适应与回归建模过程同步进行,并且对迁移子空间中的重构矩阵施加低秩稀疏约束,在分布适配中保持数据局部结构。同时,对重构矩阵施加低秩约束可以使其具有块状结构,实现历史工况与待测工况数据的分段对齐,进一步提高模型预测性能。经一个数值案例与四个多工况数据集的仿真实验,验证了所提方法的有效性。3、针对基于偏最小二乘的无监督域适应回归方法在应对工业过程数据非线性和随机性中的局限性,引入T-S模糊模型作为基本回归器构建模糊域适应回归模型。首先依据历史工况与待测工况模糊规则的差异给出模糊域适应回归问题的形式化说明,并且针对历史工况与待测工况模糊规则的差异性设计了三种不同的域适应策略,研究了面向模糊规则条件差异的迁移C均值聚类方法和面向模糊规则结论差异的迁移子空间学习方法。通过一个数值案例和TE过程数据的仿真实验,验证了该算法的有效性。