多率现象在过程工业，特别是化工过程中普遍存在。由于技术、资金或环境等条件的限制，过程数据的采集常呈现出多频率的特性，采用常规的单率控制策略无法快速抑制来自输入信号、过程动态等方面的干扰，将引发控制性能下降、产品质量恶化等问题，直接影响企业的生产效益以及安全生产。因此，对于这类多率采样系统，进行专门的多率过程监测、状态估计以及控制技术的研究具有较高的理论价值与实际应用意义。软测量技术作为对难以测量的关键质量变量快速观测的有效手段，是多率系统研究中的重要组成部分，受到了研究者的广泛关注。近年来，软测量技术的研究十分活跃，但极少针对系统的多率采样特性开展专门的研究，导致多率采样数据中蕴含的大量动态信息及冗余信息难以有效地提取与利用。因此，本文提出结合多率系统的特点进行软仪表的设计。　　软测量模型是软仪表的核心，本文根据数据多率的特点，首先提出了一类动态神经网络建模方法，设计指数动态加权单元，对多率数据进行预处理，提取动态时间信息用于神经网络的训练，建立动态加权神经网络模型；并针对动态加权建模在快慢采样频率比增大时性能下降的问题，引入插值的思想，设计插值动态神经网络建模法，改善常规动态加权建模的效率与性能。通过仿真实验对两种建模方法进行了对比与分析，指出动态建模方法能够有效提高多率系统下的建模效果。　　尽管多率动态建模方法有利于提高模型的预估能力，但是由于化工过程复杂多样，无论何种建模方法均不可避免地存在局限性，仅使用软测量模型进行质量变量的估计易出现预估效果不稳定、随机偏差等现象。因此，软仪表的在线校正对于保证输出的准确性与可靠性十分必要。然而，目前软测量校正技术并没有受到足够的重视，现场应用的理论水平较低并存在许多问题。为此，针对多率系统下的输出校正技术进行了深入探索，提出了一种输出融合软仪表的设计思想，在已建的软测量模型的基础上，设计基于Kalman滤波的多率数据融合算法，对慢速的现场观测数据与软测量模型预估数据进行综合，以克服噪声、建模方法等因素的影响，提取冗余信息改善软仪表的整体输出性能。通过软件仿真与小型实验装置对输出融合软仪表的有效性进行了验证，并详细分析了影响算法性能与应用的重要因素。结果表明输出融合软仪表能够有效地融合多率数据，克服软测量模型的不稳定偏差，具有估计精度改善、稳定性提高的能力，但是也受到模型失配、采样频率等因素的影响与限制。为此，进一步提出了自适应输出融合软仪表的设计方法，针对数据噪声以及滤波算法的特点，设计了一种含遗忘因子的自适应观测噪声统计估计器，对不规则噪声进行在线估计，用于Kalman滤波过程，以提高融合软仪表的抗干扰性能。采用仿真实验对自适应输出融合算法进行了全面分析，并将其应用于小型实验装置，证明改进后的自适应输出融合软仪表能够克服由于噪声假设不当而引发的性能下降问题，具有更强的准确性、鲁棒性与实用性。　　在输出融合软仪表中，多率Kalman滤波算法的性能对于数据融合的效率十分关键。通过误差分析的方法，对多率Kalman滤波算法在模型失配下的稳定性，即鲁棒性进行了研究。首先，在基本假设条件下，对滤波误差表征参数“滤波偏差比”公式进行了推导，给出了多率Kalman滤波稳定/发散的基本判定方法。进而针对一类典型系统详细分析了模型失配、采样频率等参数对滤波稳定情况的影响，提出了滤波稳定与发散的判据，并通过仿真实例对各定理及推论进行了验证及典型应用，说明了结论的正确性以及所提出的鲁棒性分析方法对于算法的实际应用具有指导意义。