目前在工业生产过程中仍有很多关键变量没有在线实时检测的传感器,只能通过离线分析方法进行测量,但是,离线分析数据时间滞后较大,很难实现工业过程的实时监测、控制和优化。近年来,随着集散控制系统和信息管理系统在生产过程中的广泛应用,大量的过程数据得以保存,使得基于数据驱动的软测量技术成为工业过程难测关键变量实现在线预测的一个突破性手段。化工（或生物化工）生产过程常常呈现出大滞后、非线性、时变性、多时段、多模式等复杂特性,采用传统的全局建模方法往往得不到令人满意的结果。因此,局部学习策略成为解决这类问题的有效途径,如多模型建模、集成学习建模和即时学习建模方法等。本论文针对具有这类特性的工业过程开展研究,主要研究基于局部学习策略的建模方法,并通过实际工业过程数据进行验证。论文的主要研究工作归纳如下:（1）针对工业过程的非线性、多时段、多模式等特性,提出一种改进的基于样本分组的集成高斯过程回归软测量建模方法。首先基于改进的高斯混合模型将历史样本划分为多个区域,然后为每个区域建立局部高斯过程回归模型,在线预测阶段,通过贝叶斯理论估计每个测试样本属于不同区域的后验概率,将后验概率作为每个局部模型输出的加权值,得到最终的集成预测结果。为进一步提升高斯混合模型区域划分的有效性,首先,设置大范围初始值,以缓解传统高斯混合模型易陷入局部极值点问题;其次,为了加快回归建模时间,采用了相似成分合并的方法,消除成分冗余。采用金霉素发酵过程的现场数据,验证了该方法的有效性。（2）传统的局部区域辨识方法大多是基于样本分组,忽略了过程变量间的相关关系随着过程进行而变化的趋势。针对这一问题,提出了一种基于变量分组的集成高斯过程回归软测量建模方法。该方法首先通过Bootstrapping算法和PMI理论,构建多输入变量组,然后基于每组输入变量对应的历史样本建立局部模型,在线预测阶段,通过贝叶斯理论估计每个测试样本属于不同区域的后验概率,选择预测性能好的局部模型输出值经后验概率加权获得集成预测结果。将该方法应用于金霉素发酵过程总糖浓度的软测量建模中,实验结果验证了基于变量分组的集成软测量建模的有效性。（3）多模型集成学习方法被广泛应用于工业过程难测参数的软测量建模中,但是,传统的多模型构造方法不是基于操作样本分组,就是基于操作变量分组。然而,操作样本分组的方法,只考虑了样本的相似性关系,而没有考虑输入输出变量间的相关关系随过程的变化规律;反之,操作变量分组的方法亦然。因此,提出了一种双层递阶集成高斯过程回归软测量建模方法。首先,该方法通过随机重采样机理和PMI理论,构造多输入变量组;然后,基于每组输入变量对应的历史样本,通过高斯混合模型进行区域辨识,建立每个区域的局部模型;之后,先对局部区域模型实现第一层集成,即SP-EGPR;最后,选择部分预测性能较好的局部SP-EGPR模型的结果再次集成。由于随机重采样方法,使基于变量分组的模型存在冗余问题,所以,在第二次集成之前,加入了PLSR算法,对局部模型进行修剪,消除模型冗余。该方法在TE化工仿真过程进行了模拟,并采用工业炼胶过程中的现场数据进行验证,实验结果证明了该方法的预测精度和可靠性都得到了明显提高。（4）由于大多数工业过程具有时变性,离线建模方法随着时间的推移,预测性能必定会退化,因此,提出了一种基于即时集成学习的自适应软测量建模方法,将即时学习方法与集成学习方法相结合。该方法采用基于PCA的变量组分块算法,快速地构建多输入变量组。PCA方法的协方差函数加入了输入输出变量间的偏互信息关系,提高了变量分组的准确性。首先,在线预测阶段,基于每组输入变量选择与测试样本相似的历史样本;然后,为每组相似样本建立局部模型;最后,通过贝叶斯理论和有限混合机理估计集成模型的预测输出。将该方法应用在工业炼胶过程中对门尼粘度进行了预测,实验结果验证了该方法的有效性。