聚合过程监测与故障诊断、聚合物生产过程调优以及聚合物重要质量指标预测等研究，交叉了化学反应工程和过程系统工程等学科，无论在理论研究还是实际应用方面都是目前急待解决的前沿研究课题。聚合过程具有高度复杂性、耦合性和强非线性等特点，导致聚合过程研究存在较大困难。随着计算机技术和信息化水平的不断提高，聚合物生产企业可以轻易获得大量生产数据，采用数据驱动技术可以从大量生产数据中获取信息并加以利用，将数据驱动技术引入到聚合过程研究中得到了越来越广泛的关注。针对常规数据驱动方法所存在的不足，提出了组合神经网络建模方法、改进多尺度主元分析方法和改进混沌粒子群优化算法等改进数据驱动方法，并将其应用于聚丙烯生产过程研究中，开展了聚丙烯熔融指数软测量、丙烯聚合过程监测与故障诊断和聚丙烯最优牌号切换等研究工作，取得了以下研究成果：（1）针对单一神经网络建模存在预测精度较低的缺点，提出了一种组合神经网络建模方法。通过将多个单一神经网络模型合理组合在一起，可显著提高模型的预测精度。由于选择合适的组合权重系数对取得良好模型预测性能是至关重要的，因此提出了两种求取组合权重系数的方法，分别是最小化最大绝对预测误差方法和岭回归分析方法。熔融指数是决定聚丙烯牌号的最重要参数，但由于缺乏合适的在线测量仪表，导致熔融指数测量存在较大时滞，无法有效实现聚丙烯质量控制，因此将组合神经网络应用于聚丙烯熔融指数软测量研究中。研究结果表明，与单一神经网络模型相比，基于组合神经网络的聚丙烯熔融指数软测量模型具有更佳的预测精度；（2）针对常规多尺度主元分析在数据去噪方面所存在的不足，提出了一种改进多尺度主元分析方法。针对过程数据所具有的随机性、非平稳性及含有大量噪声等特点，首先采用改进小波阈值去噪方法去除过程数据中的大部分高频随机噪声，提高数据的置信度，然后运用小波多尺度分解方法，将每个变量依次分解成逼近系数和细节系数，建立各个尺度矩阵相对应的主元分析模型，最后对小波系数进行重构得到了综合尺度主元分析模型。为了提高聚丙烯生产过程的稳定性，将改进多尺度主元分析方法应用于丙烯聚合过程监测与故障诊断研究中。研究结果表明，与常规多尺度主元分析相比，改进多尺度主元分析减少了丙烯聚合过程的故障误报率和漏报率，大幅度提高了丙烯聚合过程监测与故障诊断的精度；（3）针对常规粒子群优化算法存在的收敛速度慢、易陷入局部极值等缺点，提出了一种改进混沌粒子群优化算法。通过算法混合，将混沌搜索融入到粒子群优化算法中，建立了早熟收敛判断和处理机制，以帮助种群摆脱局部最优，提高了优化算法的搜索效率和全局性能。将改进混沌粒子群优化算法应用于聚丙烯最优牌号切换研究中。首先建立了聚丙烯最优牌号切换模型，然后采用改进混沌粒子群优化算法求解该最优牌号切换模型。优化结果表明，与常规混沌粒子群优化算法相比，改进混沌粒子群优化算法具有更佳的优化效率和全局性能；（4）最后，对全文研究内容进行总结与归纳，并结合研究工作所存在的问题，指出了今后值得关注和进一步深入研究的方向。