氯甲烷含水量和回收率是衡量氯甲烷回收装置性能的两个重要指标。由于氯甲烷回收过程具有工艺复杂、强非线性、大时变和大时滞等特点,导致氯甲烷含水量和回收率无法在线测量,因此提出将软测量技术应用于氯甲烷回收过程的质量指标在线估计研究中。采用机理建模方法建立氯甲烷回收率在线估计模型。针对简单支持向量机增量学习算法所存在的不足,提出了一种支持向量机改进增量学习算法,并应用于氯甲烷含水量软测量建模研究中。本文的主要研究内容包括:(1)首先介绍了软测量技术研究的背景与意义,以及软测量技术的基本思想和实现步骤,然后介绍了各种软测量建模方法,并针对其存在的缺陷介绍了研究者提出的各种改进方法,进一步对各种软测量建模方法在化工领域中的应用现状进行综述;(2)在详细分析氯甲烷回收过程压缩冷凝工艺的基础上,通过分析混合尾气中各组分的变化情况,采用机理建模方法建立了氯甲烷回收率的在线预测模型,并对模型进行了简化处理。实际应用效果表明,简化后的模型同样可准确预测氯甲烷回收率;(3)在详细了解支持向量机基本原理的基础上,针对支持向量机简单增量学习算法所存在的不足,引入了KKT(Karush-Kuhn-Tucker,简称KKT)条件。在深入分析和研究KKT条件的基础上,发现新增样本集中如果存在违反KKT条件的样本,必然会使原支持向量集发生变化,原非支持向量也有可能转化为支持向量。鉴于此种情况,提出了一种支持向量机改进增量学习算法,该算法将初始样本集和新增样本集进行KKT条件的相互验证,把支持向量集和违背KKT条件的样本集合并作为新的支持向量集进行训练,通过仿真实例验证了该算法的可行性;(4)针对氯甲烷含水量无法实现在线测量,而且干燥过程机理不明确的缺点,采用支持向量机改进增量学习算法建立了氯甲烷含水量软测量模型。通过详细分析氯甲烷干燥过程工艺选择辅助变量,然后对现场采集的样本数据进行数据预处理,最后建立了基于支持向量机改进增量学习算法的氯甲烷含水量软测量模型。实际应用效果表明,与支持向量机简单增量学习算法相比,采用该改进算法建立的软测量模型具有更佳的预测精度。将软测量技术应用于氯甲烷回收过程的质量指标在线估计研究中,成功建立了基于机理分析的氯甲烷回收率软测量模型和基于支持向量机改进增量学习的氯甲烷含水量软测量模型。研究成果为氯甲烷含水量和回收率的质量控制提供了重要依据,也有助于提高氯甲烷生产过程的经济效益。