很多工业过程中,存在着这么一类现象：一部分需要严格控制的、与产品质量密切相关的关键变量无法通过传感器在线测量得到,影响了后续的过程监测、质量控制和系统优化。由于工业过程具有的机理复杂、非线性和时变特性强等特性,基于数据驱动的软测量建模方法受到了广泛关注。相关研究表明：以支持向量回归(Support Vector Regression,SVR)和最小二乘支持向量回归(Least Squares SVR, LSSVR)为代表的核学习(Kernel Learning, KL)方法在处理有限样本非线性建模问题时优势明显；在线核学习,包括全局递推核学习(Recursive KL,RKL)和局部学习,则更有利于跟踪过程时变特性和降低模型复杂度。但是,在线核学习算法仍面临着一些共同性问题：(1)递推过程多只考虑一次分块递推,无法对一些复杂系统进行在线辨识；(2)在线递推过程多建立在模型参数不变的基础上,核学习(特别是加权核学习算法)相关参数的在线优化研究较少；(3)局部学习中,样本间相似度衡量准则仅依据样本输入信息构建,尚没有综合考虑输入输出信息的相似性度量策略；(4)学习算法多为有监督学习方法,无标签样本信息难以充分利用。本文以核学习在线建模为切入点,针对不同工业应用需求研究提出了相应的软测量算法,并进行了理论分析和仿真验证,主要的创新性研究工作包括：(1)针对一类特殊的结构化非线性Hammerstein系统,提出了一种基于RKL的自适应辨识算法：改进了离线算法的求解形式,使算法的在线稀疏和递推成为可能；采用矩阵二次分块求逆对模型进行在线递推更新,以减小计算量；采用基于预报误差的前向选择性稀疏策略和递推/重初始化策略,实现模型在线稀疏,降低模型复杂度,并克服了递推过程中可能产生的误差积累、稳定性差等问题。以Benchmark数值仿真实验为例,验证了所提出的自适应辨识算法能有效提高辨识过程的精度、稳定性和计算效率,更适用于Hammerstein模型的在线辨识。(2)针对部分间歇生产过程(如间歇发酵过程)普遍存在的新工况条件下批次间差异大和批次内有标签样本少的情况,分别设计了适用于批次间建模的“局部加权”核学习算法和批次内软测量的半监督“加权核”学习算法。(2A)“局部加权”核学习就是在全局模型的基础上根据待测新样本与训练样本间的相似度关系调整样本权重,并做出相应局部修正的核学习算法。与局部学习方法相比,局部加权核学习算法采用了低秩递推形式,避免了多次求逆计算,因而效率更高；而较全局学习过程,该方法引入了根据样本微调模型的步骤,使算法精度相对较高。青霉素过程Benchmark仿真平台Pensim上批次间菌体浓度在线预报的实验表明了该方法的有效性。(2B)针对发酵过程批次内标签样本较少的情况,设计了半监督框架下“加权核”学习算法。设计了符合青霉素生产过程的、基于时序的核函数作为样本权重,使算法在标签样本较少的情况下仍能较准确预报待测新样本。在Pensim平台上的批次内青霉素浓度预报的仿真实验表明：所提出的“加权核”方法较原有半监督算法在精度上有了较大提高,更适用于该过程批次内在线建模。(3)提出了一种适用于多工况过程的多核学习算法(Multi-Kernel LSSVR, MK-LSSVR),以建立多工况过程的有效统一模型。设计了同时融入样本工况(类别)和辅助变量信息的多核,并将其应用于样本类别先验概率估计。通过对样本类别的后验概率重新估计和模型的在线稀疏和更新,保证了算法稀疏性、准确性和推广性能。通过Pensim仿真平台青霉素生产过程菌体浓度在线预报,验证了所提出的MK-LSSR算法较单核学习相比,具有更高的预报精度和稳定性。(4)提出了一种新的自适应局部核学习算法(Adaptive Local Kernel Learning,ALKL)。考虑同时采用样本输入/输出信息的相似度衡量准则,并提出一种适用回归问题的有监督局部保持映射(Supervised Locality Preserving Projection,SLPP)算法以获取更合理的相似样本集；提出和推导了基于低秩递推来优化样本权重的自适应加权LSSVR (Adaptive Weighted LSSVR, AW-LSSVR)算法。在重油催化裂化(Fluidized Catalytic Cracking Unit, FCCU)过程分馏装置中汽油干点在线预报仿真的研究结果表明：ALKL方法较全局建模方法和普通局部学习方法具有更高的预测精度和自适应性。最后,在总结全文的基础上,对未来的研究作出了新的展望。