基于数据的软测量建模面临以下问题：过程变量众多且存在相关性，数据样本较少，数据受噪声污染，过程具有高度非线性及时变性。本论文深入研究了基于非线性部分最小二乘的软测量建模方法，较好地解决了以上问题。 部分最小二乘方法(PLS)去除了变量间的相关性及对回归无益的噪声，适用于过程变量多而样本数较少情况下的过程建模。论文首先从奇异值分解的角度分析了PLS的特征向量选取机制，解释了PLS特征向量选取的几何意义，并对部分最小二乘的非线性迭代算法(NIPALS算法)进行了理论推导；同时基于对PLS的若干性质的推导，分析了PLS模型的预测稳定性，并将PLS方法应用于软测量建模。 为了更好地解决软测量建模中的非线性问题，作者将神经网络／部分最小二乘(NNPLS)方法用于软测量建模。论文在建立NNPLS模型时，采用了一种新的带约束的混合神经网络训练方法，提高了模型的训练速度、预测精度和推广性能。该方法被用于建立聚丙烯熔融指数软测量模型，离线建模效果优于一般的神经网络方法。论文同时给出了对NNPLS模型进行模型灵敏度分析的方法，借助该方法可进行建模变量选择并确定模型阶次。 为提高模型的在线训练速度，论文提出了一种递推部分最小二乘／神经网络(RPLSNN)方法，该方法基于固定的线性项同非线性的高斯单元相结合的模型结构，采用递推部分最小二乘(RPLS)方法调整模型的线性参数。同时该算法采用适当的机制增减高斯单元，使模型所包含高斯单元的作用域能够自适应地跟踪输入空间数据分布的变化。确定高斯单元的中心参数时，论文提出了一种改进的k-means聚类算法，该算法不仅可使聚类中心均匀地分布在输入空间，并自动排除冗余中心，有利于提高模型的推广能力。该递推算法用于修正聚丙稀熔融指数软测量模型，仿真结果表明了该算法的有效性。