在大型工业过程中,为准确优化控制工业过程,需要对系统的关键参数进行监测。由于环境、成本或技术等原因对部分关键参数难以使用硬件装置测量,而软测量技术能够实现对这些关键参数进行监测,因此软测量技术得到了广泛的应用。因为工业设备在空间上的分布式设置使得关键变量的测量顺序与过程变量的采样顺序不一致,进而表现出了由于信号、物料传输或者安装位置等问题引起的明显的时间延迟,且这种延时具有时变特性。为了更可靠的监测系统运行状态,需要在建立软测量模型时考虑系统监测变量之间存在的时变延时特征。针对上述问题,本文主要围绕具有延时特性的软测量建模问题进行研究,论文主要工作如下:（1）在工业数据采集过程中,传感器或网络异常等原因会引起数据缺失或数据失真问题。针对数据缺失问题,本文使用了线性插值、KNN插值、多元线性回归插值方法进行缺失数据修复,并对不同方法的修复效果进行了对比分析。针对数据失真问题,本文提出了一种基于留一交叉验证的异常值检测算法。该方法不需要假设原始数据服从某种分布,从模型估计误差的角度来分析数据是否失真,实验结果表示该方法异常值检测效果较好。（2）针对工业过程采集到的变量种类较多且变量之间存在冗余的问题,本文介绍了一种两阶段辅助变量选择方法。该方法通过最大信息系数法删除无关特征,并使用近似马尔可夫毯方法对冗余特征进行剔除。在真实工业数据上进行实验验证,结果表明该方法能够大幅降低辅助变量维数,在保证建模精度的同时提升建模效率。（3）针对工业过程中具有多阶段延时特征的关键变量估计问题,本文提出了一种基于延时参数在线辨识的关键变量估计方法。该方法首先通过基于滑动窗口的最大信息系数法从原始数据中获取延时参数数据集,并根据其构建延时参数在线估计模型,使用延时参数数据集对原始数据进行时序重构,进而根据重构后的数据建立软测量模型。在具有多阶段延时特征的工业数据中进行实验验证,并与传统方法相对比,结果表明了本文方法具有较好的估计效果。（4）针对工业过程中的延时特征不明确的关键变量估计问题,本文提出了一种基于局部信息的加权岭回归方法。该方法通过借鉴时延神经网络的结构,将历史信息考虑进建模过程中增加了模型的信息量,使用岭回归替代神经元节点提高了模型的稳定性,通过粒子群算法搜索模型最优参数,实现对关键变量的准确估计。本文方法与时延神经网络,岭回归等方法相比较,本文方法对具有不明确延时特征的工业过程变量估计效果更佳。