凭借其灵活柔性、高附加值等特点,间歇过程在现代工业中得到了广泛应用。但间歇过程的自动化水平相对连续过程还是偏低,一方面,对一些变量参数如反应物浓度,缺少经济可靠的传感器对其在线检测,尽管正努力开发这类传感器,但实用性与可靠性仍十分有限,无法满足实际需要；另一方面,间歇过程有大滞后、非线性、时变参数和模型难确定等特点,对间歇过程控制系统的设计带来诸多困难。所以,本文就是针对在化工过程广泛应用的间歇式反应釜存在的浓度测量和温度控制两大难点问题,分别进行软测量和迭代学习控制研究,将对间歇过程的发展有重要意义。主要工作及创新点如下：(1)实现了基于OPC技术的Matlab平台和WinCC组态软件的数据通讯,并成功应用于间歇反应釜的数据采集；研究了提高采集数据质量的数据预处理技术：剔除异常数据、归一化处理、小波滤波和主元分析法。(2)提出了一种基于改进型自适应遗传算法与BP神经网络集成的软测量建模算法。该算法充分保留了遗传算法和BP神经网络各自优势,并改进不足最终得到全局最优解,同时加快了收敛速度。给出了该算法的仿真研究及其在反应釜浓度软测量中的应用,结果表明其精度较高,速度更快。(3)提出了一种自适应切换PD超前型开闭环迭代学习控制策略。该策略适用于存在控制和状态时滞的非线性系统,充分利用沿时间轴和迭代轴的系统信息,引入基于迭代次数变化的PD参数自适应算法,加入遗忘因子并充分利用系统过去和当前信息；通过算子理论做了收敛性证明；最后通过采用本文算法与超前型开闭环PD型迭代学习律进行对比仿真研究,结果表明了算法的可行性和优越性。(4)以典型间歇过程不饱和聚酯树脂生产为研究对象,进行反应釜温度曲线拟合,确立了目标温度控制曲线,采用自适应切换PD超前型开闭环ILC算法对间歇反应釜进行应用仿真研究,仿真结果表明该算法对间歇反应釜的温度控制难点问题能够给予较好的解决,并取得较好的效果。