软测量技术是解决复杂测量任务、实现难测变量在线估计的有效方法,因能较好地克服在线分析仪表的不足,实时估计产品的质量,为生产的优化操作与控制提供实时、有效的产品质量数据,受到业界的广泛关注,并已在多个行业得到成功应用。由于单一软测量模型难以描述复杂系统的全局特性,因而一种将多个模型通过一定方式融合,来提高模型的预测精度和范化能力的建模方法受到业界的广泛关注。但现存的多模型融合软测量方法存在缺乏性能互补、个体子模型建模精度不足及线性融合方法鲁棒性不尽理想等问题。基于此本文从子模型的选择优化入手,通过采取不同的融合手段,并结合成品油调合的工艺特点主要进行了以下工作：1.根据不同软测量模型建模的快速性、对数据样本的敏感性及预测精度等属性,并考虑性能互补,选择PLs、RBF及LS-SVM子模型建模方法,并对多模型的融合结构进行论证分析,结合融合后模型的性能及工业应用的便利性,分别确定基于非线性BP网络和线性两种融合方法。2.用PSO优化RBF及LS-SVM建模时的正规化参数和核参数,并针对粒子群优化算法随维数增大群体多样性相对减少而易早熟收敛的问题,在对和谐搜索算法进行适应性改进的基础上,将其引入粒子群算法中,提出了一种动态和谐搜索混合粒子群优化算法,提高了算法的寻优能力及精确定位特性,为建立高精度的子模型奠定了基础。3.对基于混合粒子群优化的PLS、RBF及LS-SVM异类多模型进行线性融合,并应用于汽油调合系统中研究法辛烷值的预测,验证了其预测精度和鲁棒性均优于单个子模型的预测精度和鲁棒性。4.考虑到将几个子模型的输出以线性加权求和得到组合模型最终输出的方法鲁棒性不尽理想,所建组合模型对数据样本仍可能较敏感,且各模型对总输出的贡献可能包含非线性等因素,并考虑到模型的在线修正问题,建立了基于混合粒子群优化的异类动静模型的非线性融合模型,有效的改善了数据间的非线性影响及模型的在线修正,提高了模型的预测精度及鲁棒性。论文提出的异类多模型混合建模方法能够充分地利用被测系统和被测变量的先验知识,充分地利用已有的实验数据,为实现工业数据的在线估计提供了一种实现技术。