随着工业化的进步,能源成为社会发展不可或缺的一部分,然而石油等不可再生资源越来越少且环境污染大,因此可再生新能源的研究工作成为现代发展的重点之一。丁醇具有辛烷值高、低吸湿性、可与汽油任意比混合等优点,是新能源的突出代表。为避免传统化工合成丁醇方法产生的环境污染、操作复杂和高成本等问题,提出将秸秆作为基质进行微生物发酵合成丁醇的方法。秸秆经过各种酶的水解可得到含有多种糖类的糖化液,在糖化液中接种拜氏梭菌经过代谢合成丁醇。经过对秸秆发酵合成丁醇的工艺研究确定发酵过程中的关键生物量,由关键生物量的动力学分析筛选出关键影响因子确定最优发酵条件。为提高发酵效率需要实时准确的测量关键生物量,引入软测量对不可直接测量的关键生物量进行预测。微生物发酵初期样本数据较少,支持向量机(Support Vector Machines,SVM)对小样本具有很高的泛化能力,因此以支持向量机为基础进行算法优化。贝叶斯方法具有良好的拓展性可与多种算法融合,并且贝叶斯方法可解决数据偏差、数据缺失等问题,因此利用贝叶斯方法对支持向量机进行优化,将所得到的贝叶斯优化的支持向量机算法(Support Vector Machine Optimized by Bayesian,BSVM)与SVM作对比分析,结果表明BSVM算法具有更好的精确度,但是稳定性较低精确度还有待提高。由于实际发酵数据会出现过失误差,利用动态时间规整对数据进行预处理;由于软测量技术都是基于回归算法,因此引入支持向量机回归算法(Support Vector Machine Regression,SVR),在SVR的基础上进行软测量模型的搭建;随着发酵的进行样本数据逐渐增加,利用贝叶斯方法具有的层次化特点引入深度学习理念搭建多层支持向量机回归及其贝叶斯优化模型(Bayesian optimized multi-layer support vector machine regression,DB-SVR),首先对DBSVR软测量模型进行仿真分析,结果表明该模型具有良好的稳定性,响应速度快,然后将DB-SVR模型应用于秸秆发酵合成丁醇过程中的关键生物量预测实验,经过与BSVR模型对比分析发现DB-SVR软测量模型稳定性好,响应速度快,精确度更高,具有较强的鲁棒性。