在现代工业生产过程中,有许多关键变量与产品质量或生产效率密切相关,对关键变量进行及时监测对实现利润最大化、节能降耗具有重要意义。然而,由于测量环境恶劣、仪器成本高昂等原因,这些变量大多难以被及时有效地监测。但是通过软测量建模能够有效解决上述难题,近年来,软测量技术被应用在各个领域,且取得了非常好的效果。软测量建模通过采集与关键目标变量相关的过程变量作为输入,将关键变量作为输出,建立数学模型。根据过程变量对关键目标变量的精准预测可以为过程监控、优化和控制提供重要的实时信息。因此,本文从实际工业生产数据集的构建、深度特征的提取和预测模型的建立三方面出发,进行了系统的分析和研究,并针对实际应用中存在的问题提出了对应的改进算法,取得了较好的实验结果,为实际生产提供了有价值的参考。本文的主要研究内容如下:首先是构建多晶硅铸锭和碳/碳复合材料沉积两个实际工业数据集。通过对生产工艺现场的参观考察,了解多晶硅铸锭工艺、碳/碳复合材料沉积工艺及其生产数据的构成,对影响两种工艺产品质量的主要因素进行分析。对实际工艺生产中采集的原始数据进行预处理,构建用于本文研究的实际工业生产数据集。针对软测量建模中目标特征提取不准确、预测精度低的问题,本文提出一种结合栈式监督自编码器（SSup AE）与可变加权极限学习机（vw ELM）的回归预测算法。该方法首先通过堆叠多层自编码器,并在每层自编码器中添加回归网络,以有监督的方式预训练,得到与输出相关的特征表示;然后利用反向传播对整个网络参数进行微调,优化自编码器的模型参数;最后用vw ELM网络进行回归预测,通过对所提取的特征与输出变量的相关性进行分析,对极限学习机的输入权值和偏置进行加权,得到预测值。实验结果表明,与传统的软测量回归建模方法相比,该算法能够有效提升回归的预测精度,降低预测误差。针对实际工业数据中有标签数据少且标签成本高的问题,本文提出一种基于半监督深度自编码器的分类预测算法。半监督深度自编码器是在无监督学习的深度降噪自编码器的基础上添加有监督学习路径来实现分类识别,并在底层网络与高层网络之间引入跳跃连接。该网络由编码路径、无监督解码路径和有监督分类路径三部分构成,其中编码通道在输入层添加高斯噪声,并与解码器和分类器之间添加跳跃连接;为了能够获取无标签数据中的信息,在训练时为其定义伪标签使其能够进行有监督学习,并将有监督损失函数与无监督损失函数相加作为整体网络的损失函数实现半监督学习,便可实现利用少量有标签数据和大量无标签数据对多晶硅铸锭和碳/碳复合材料沉积两个数据集进行分类识别。实验结果表明,与常用的有监督学习模型和传统的半监督学习模型相比,该算法的分类识别性能更优。