生产任务的多样化使得工业系统具有多工况、多模态特性,实际工业中生产过程的关键参数难以实现实时检测,已知工况下的关键参数软测量模型不适用于工况改变后的未知模态。因此,设计合适的建模策略以适应不同模态间的差异性以及模态变化、数据漂移带来的影响是多模态软测量的难题。基于全局模型策略和多模型策略的传统软测量方案难以适应工况模态变化带来的影响。以往的半监督域适应软测量多着眼于目标域有少量标签的情况,面对目标域无标签的复杂工况却无能为力。而现有的无监督域适应算法受制于不同域标签类别的不一致难以完成条件分布的适配,使得基于它们的软测量预测出现了负迁移、欠迁移等问题。为解决无监督域适应软测量中的欠迁移、过迁移等问题,本文有针对性地引入软分类策略和相似域选择以适配不同域间的标签,从而一定程度上解决无监督回归迁移学习中不同域之间的标签差异引起的迁移算法性能下降问题。本文重点研究多工况未知模态下的无监督域适应建模方法,可归纳为如下几点:(1)针对复杂多工况下传统软测量建模方法难以捕获有效的特征表示的问题,从特征权重学习角度出发,旨在找到源域与目标域有效的特征表示,减小域偏移从而充分挖掘不同域间的信息;针对现有特征匹配域适应方法没有考虑标签差异引起的条件分布失配的问题,采用联合子空间对齐策略结合分布对齐和子空间对齐方法减小不同域间的数据分布差异并缩小子空间映射后域间的分布差异,同时保留原始空间中的数据属性;针对域适应软测量中采用联合分布适配不能充分修正不同域间的概率分布失配的问题,利用实例重加权与特征映射结合的方法在源域中重新加权样本以更好地匹配目标域的分布,通过源域中的部分数据重新加权用于对目标域进行学习,在流形中学习域不变的特征,并在特征映射时定量评估对齐边缘分布和条件分布的比重。(2)针对目标域与源域的数据和标签的差异引起的现有无监督域适应算法无法进行条件分布适配的问题,本文有针对性地引入软分类策略通过分类策略完成回归标签到分类标签的映射,用分类标签进行条件分布适配学习,从而一定程度上解决无监督回归迁移学习中不同域之间的标签差异引起的迁移算法性能下降问题。(3)针对回归迁移学习中目标域与源域数据和标签的分布差异引起的欠迁移、过迁移、欠适配问题,在软分类策略的基础上引入相似域选择方法,用合适的相似域选择方法从多个已知源域中选择出与目标域最为相似的源域,从而一定程度上提升无监督回归迁移学习的学习效果。