为了降低生产成本、监测过程状态、调整控制策略、提高生产效率、优化产品质量,过程关键质量变量的实时测量和准确预报十分重要。面对复杂生产环境下测量仪器仪表不能实时测量质量变量值的问题,软测量方法通过构造以辅助变量为输入、主导变量为输出的估计模型,间接估计预测关键质量变量。由于其易于开发、灵活配置、及时跟踪、快速响应的优点,在学术界和工业界得到了迅速的发展和有效的实践。根据过程的不同数据特性,多种软测量方法相继被提出和应用。本文以深度学习算法为主要研究方法,开展复杂工业过程的软测量建模研究工作,主要研究工作如下:(1)提出了一种基于堆叠循环神经网络的非线性动态过程软测量建模方法。对循环神经网络、长短时记忆单元和门控循环单元进行stacking集成,构建了堆叠循环神经网络模型结构,可有效缓解过拟合问题,同时提升预测效果。通过脱丁烷塔过程Benchmark仿真验证该方法对非线性动态工业过程软测量建模的可行性和有效性。(2)提出了一种基于深度森林回归的非线性多模态过程软测量建模方法。根据集成学习思想,将随机森林回归嵌入到深度森林结构,建立了一种非神经网络结构的深度预测模型,在训练过程可自适应调节模型结构,增强了数据模型的表示学习能力和适用范围。通过一段炉过程实际数据仿真,验证了该方法对非线性多模态工业过程软测量建模的可行性,进一步与传统回归方法比较预测性能差异。(3)提出了一种基于多粒度级联循环神经网络的复杂过程软测量建模方法。基于深度森林回归的框架,将循环神经网络作为基学习器,构建了一种多粒度循环神经网络和级联循环神经网络结构,可适用于过程数据的非线性、动态性、多模态等复杂特性问题。通过脱丁烷塔过程Benchmark仿真和合成氨一段炉过程实际运行数据仿真,验证了该方法的有效性。