Run-to-Run (R2R)过程在工业生产中,尤其是半导体制造领域,十分常见。所谓R2R过程,是指周期性的生产过程,其中每个周期内一般不中断。这里的周期我们称作批次。由于过程参数估计偏差、过程偏移、原材料波动、部件失效等,为了保证产出质量,生产实际中需要对R2R过程进行建模、参数估计及反馈控制,也就是所谓的R2R过程控制。在一些R2R过程控制中,由于测量成本等因素的限制,质量参数在线的精确测量有时难以实现。此时通常直接采用分类数据代替,或者在线获取分类数据,离线后得到延迟的精确数据,即采用多精度数据的样本。然而,精确观测无法及时获得,传统的R2R控制器不能应用。现有的一些针对分类样本的参数估计方法,使用的是历史数据集离线估计;而实际中往往按照时间序列逐个采集样本。因此,实现在线的参数估计和过程调整具有很重要的理论和现实意义。基于上面实际的工业需求,本文以硅片制造的研磨过程作为实际案例,完成了以下工作:第一,在白噪声假设下,建立了基于分类数据的两种不同的模型参数的在线估计方法,分别是修正最大似然函数(ML)法和贝叶斯方法;第二,在白噪声与AR(1)序列噪声下,基于贝叶斯方法,利用Gibbs抽样迭代模拟未知参数的后验分布,分别给出了精确数据延迟加入后模型参数估计的更新方法;第三,利用更新的模型和参数,构造了相应的R2R统计过程调整算法,以生成每个批次的过程控制策略。论文针对不同算法进行仿真,以讨论其性能。结果表明,初始偏差存在的情况下,论文提出的方法能实现很精确的在线参数估计,以及有效的过程质量控制;同时,与其他方法的比较后发现,新方法的性能已达到甚至超越了现有的基于精确观测的在线估计和控制方法。