浆纱过程是纺织生产过程中的关键工序，也是整个织造过程中提高质量，降低经向断头，提高织机效率，增加经济效益的关键工序。浆纱的主要目的是提高经纱的可织性，使其在织造时能承受织机上强烈作用，即保证经纱在织机上能顺利织造，以提高生产效率。浆纱过程包含复杂的物理、化学、热力学过程，由于其生产过程的复杂性，浆纱过程中的一些质量指标（如回潮率、上浆率、伸长率等）无法及时准确地预测，而这些质量指标对于浆纱产品质量（特别是产品一级品率）起到重要作用。因此，及时准确地预测浆纱质量指标是纺织企业亟待解决的关键技术问题之一，也是国内外学者研究热点问题。本文在了解浆纱生产目的和上浆机理的基础上，分析了浆纱机的各组成部分及功能，给出了浆纱生产过程上浆率和回潮率质量指标的物理意义和经验公式，并深入剖析了影响浆纱质量的主要因素。针对浆纱生产过程工况环境变化大、噪声干扰大、奇异值点多，造成的现场采集数据分布分散，规律性不强的问题，提出基于数据分散度的模糊聚类方法，引入数据分散度指标对数据集分散程度进行定量分析，构造非欧氏距离作为聚类目标函数，减小噪声和孤立数据对聚类结果影响，增强聚类算法的鲁棒性。并考虑数据类与类之间的分离性和类内的紧致性，采用基于改进划分系数的模糊聚类有效性函数获取最佳聚类数。针对浆纱过程中存在复杂的物理、化学、热力学变化，通常的微分方程和经验公式很难加描述的问题，采用RBF神经网络建立浆纱质量指标预测模型。利用基于数据分散度的模糊聚类算法获取RBF神经网络中心，建立基于RBF神经网络的浆纱上浆率预测模型，并引入训练数据集动态更新机制，以保证神经网络预测模型的精度。仿真研究表明所建立的浆纱上浆率预测模型具有较高精度。