污水生化处理过程极其复杂,往往存在着参数时变、多变量耦合、强非线性、大滞后等特点。由于这些特点,传统传感器无法得到有效应用,重要变量无法得到快速精确测量,生化过程无法得到有效优化和诊断。软测量技术是一种新型的智能检测技术,在工业过程测控系统中具有非常广阔的应用前景。本文以污水处理过程为背景,结合其生化和工艺知识,对软测量建模方法进行了研究。为了解决传统污水处理软测量建模方法中存在的适用范围小、精度低、鲁棒性不强等问题,本文研究了一种基于相关向量机的软测量回归建模方法,并成功建立了预测污水处理出水水质的软测量模型,仿真结果验证了该方法的有效性。首先,介绍了软测量技术的基本原理,并对机器学习算法在软测量上的应用进行了文献综述,分析了软测量建模理论在污水领域的国内外研究现状,指出了软测量建模过程中所面临的主要问题。其次,研究了相关向量机原理及其回归模型。针对污水数据维数高,容易给模型训练带来困难的问题,采用了一种模糊粗糙单调递增的属性约简方法对污水数据进行约简,得出了对污水出水生化需氧量BOD5(Biochemical Oxygen Demand)影响较大的几类输入属性。在此基础上,提出了一种基于模糊粗糙单调递增相关向量机的出水BOD5软测量模型。然后,为了进一步提高模型的预测精度,研究了核函数方法,并且结合全局核函数和局部核函数各自的优势,提出了一种基于混合核函数的相关向量机回归建模方法。针对模型中多参数的优化问题,研究了人工免疫优化算法并应用于模型的参数优化中,给出了详细的实现流程。仿真结果表明,提出的混合核函数模型预测精度明显高于单一核函数模型,人工免疫优化算法收敛速度快、全局搜索能力强。最后,根据污水生化处理工况实时性非常强的这一需求,提出了基于快速相关向量机的在线软测量模型。首先研究了用快速边际似然算法来快速确定模型中的超参数,给出了算法实现步骤,接着对算法作了性能测试。将快速相关向量机应用于污水在线软测量模型中。仿真结果表明该模型在保证预测精度的同时,进一步降低了模型的更新时间,很好地满足了实时性这一要求。