工业时序建模与预测是系统优化控制与智能调度的基础,对于水泥、钢铁、化工等企业降低碳排放和能源消耗,提高产品质量和生产效率具有重要意义。本文结合工业时序建模与深度学习基础理论,针对生产过程的多变量、大滞后、非线性、强耦合等特性,从模型输入选择,深度网络架构,与传统模型融合等几个方面开展工业时序预测算法研究,主要工作如下:（1）针对生产过程中多变量、大滞后等问题,本文提出了一种主成分分析（PCA）与滑动灰色关联分析（MGRA）相结合的模型输入优化方法（PCA-MGRA）。PCA从多元变量中选择出关键变量作为建模的输入,更加出色的保留了建模所需时序信息。另一方面,通过MGRA分析各变量的时滞动态变化,优化模型输入信息。应用于实际工业数据,实验结果表明,PCA-MGRA的方法有效的解决数据冗余和时序不匹配问题,提高了后续时序建模和预测的精度。（2）针对连续式生产过程的强耦合、非线性动态特性,本文提出了一种利用深度卷积网络（Deep CNN）与门控循环单元网络（GRU）构成串-并联结构的深度混合网络预测模型（DCGNet）。该模型由三个模块组成,旨在共同解决多变量非线性动态耦合的建模问题。首先,多层CNN与GRU串联关注于提取多元变量的强耦合特征。其次,并联的GRU网络用于精确捕捉待测信号的长期动态依赖关系。最后,利用全连接层（FC）连接两个并行模块,通过加权融合特征实现单步预测。实验结果表明,该方法优于传统建模预测算法且具有鲁棒性。这种结合相关特征选择构建模型的方法为其他时序建模提供了借鉴。（3）针对间歇式生产过程中信号存在阶段性拟线性变化趋势,且局部不平稳波动的特点,本文提出了一种深度卷积-循环网络（CNN-GRU）与自回归统计模型（AR）相结合的混合模型（CG-AR）。该模型考虑了待测信号线性和非线性的特点,以及受相关变量的影响。传统AR模型模拟待测信号变化的线性趋势,鉴于生产过程中强耦合性会导致非线性波动,CNN-GRU被用于表征多元变量的非线性动态耦合关系。理论联系实际,所提方法应用于实际工业数据集,实验结果表明该方法具有较好的预测效果。