在复杂工业中,由于生产技术或经济需求等原因,存在着许多关键性的工业变量无法直接测量,导致无法及时调整工业过程,造成产品质量不合格.为提高工业生产效率,本文利用基于数据驱动的软测量技术方法对复杂工业中关键变量进行预测,针对工业过程中多种复杂数据特征,构建一种新的非线性降维混合预测模型,同时提出时序性降维混合预测模型.并以克兰菲尔德大学设置的三相流装置实验数据进行仿真与实验,均取得优于现存主流方法结果.本文具体研究结果如下:1)鉴于工业数据之间存在较强的非线性关系,将非线性支持向量回归模型（SVR）应用到实际工业关键变量预测中.通过对真实数据进行拟合回归得到预测结果,并与最小二乘法回归模型（PLR）和岭回归模型（RR）的预测结果进行对比,实验结果表明SVR模型对于非线性数据具有更好的预测能力.2)鉴于工业过程中存在多个变量指标,数据存在冗余性特征,引入主成分分析法（PCA）对数据进行信息提取以及线性降维,构建主成分分析非线性支持向量回归预测模型（PCA-SVR）,并与非线性SVR模型进行对比,实验结果表明PCA-SVR模型浓缩了数据信息,提高了对关键变量的预测结果.3)鉴于PCA模型无法挖掘高维数据中的低维结构信息,利用流形学习中的局部线性嵌入模型（LLE）对变量进行非线性降维与特征提取,并构建基于局限性嵌入非线性支持向量回归预测模型（LLE-SVR）.实验结果表明,LLE模型对工业数据进行了信息浓缩与内在信息提取,进一步提高了SVR模型对关键变量的预测结果.同时与PCA-SVR模型相比,LLE-SVR模型具有更高的预测精度.4)鉴于PCA以及LLE模型无法提取工业数据中的时序性特征,引入典型变量分析模型（CVA）,提取工业数据中的时序信息.构建典型变量分析非线性支持向量回归预测模型（CVA-SVR）.并与PCA-SVR模型和LLE-SVR模型进行对比分析,结果表明CVA-SVR模型具有更好的预测精度,且具有更高的稳健性.