现代工业生产过程中应用了大量仪表仪器来对生产状态进行监测,对一些关键性质量指标的测量对于监测和控制整个生产过程,实现科学高效生产,提高整体生产效率有着举足轻重的意义。在很多实际生产情况下,由于测量工序复杂、测量环境恶劣、测量耗时较长等原因,无法实时地获取关键质量变量的实际测量值,而生产过程中会存在一些易测量的过程变量,如温度、压力等。通过构建模型表征易测过程变量和难测质量变量之间的关系,可实现对质量变量的实时预测。因此,软测量技术在近年逐渐成为过程控制领域学界和工业界的研究热点,并在一部分场景中得到了有效的应用。工业场景中的数据有着高维、含噪、时变等特性,针对这些特性所带来的问题,本文在自编码器的基础上,提出了一种基于变量相关自编码器的软测量建模及其自适应更新方法,本文主要内容如下:（1）为处理工业软测量模型中输入的高维数据,常使用自编码器作为特征提取器。针对普通自编码器并没有考虑到特征之间的相关关系,且无监督的自编码器方法提取出的特征对于有监督的软测量任务而言未必有效的问题,本文提出一种基于变量相关自编码器的软测量方法。通过改进传统自编码器的损失函数,引入变量间相关关系,并通过特征加权机制过滤与质量变量相关性低的特征,提升了自编码器隐层特征的有效性,提高了软测量模型的性能。（2）工业数据通常会携带部分噪声,在一部分场景中也会有离群值的存在。少量噪声以及离群值会对模型效果产生非常大的影响。一些提高系统鲁棒性的方法需要使用者提供纯净的样本,而这在工业生产环境中很难获取。针对这一问题,本文通过在自编码器中引入最大相关熵准则来减少噪声和离群值在建模时对模型的影响,通过改变自编码器的重构方式,以及使用循环重构对潜在异常样本进行修复并降低其权值,大大增强了模型的鲁棒性。（3）工业过程的运行环境会随着时间的推移而缓慢变化,为了应对这种过程时变性,需要在模型部署后对模型进行在线更新。本文结合模型特点提出一种自适应的建模方式,针对训练成本较高的深度模型,使用增量学习进行更新,并应用弹性权重巩固以解决灾难性遗忘问题;针对易于训练的回归模型,使用即时学习更新模型,并构建局部敏感哈希函数,解决即时学习寻找相似样本成本过大的问题。