软测量技术是实现难测参数在线实时估计的一种有效手段,在冶金、造纸、制药、石油、化工等生产过程的监测、控制及优化中扮演着日益重要的角色。由于实际工业过程往往呈现出非线性、时变性、多模式、多时段等过程特性,使用传统的全局建模方法难以得到令人满意的结果。因此,即时学习作为一种典型的局部学习建模方法在软测量建模领域日益受到青睐。本文从即时学习软测量建模技术出发,研究高性能的集成即时学习软测量建模方法。论文的主要研究工作总结如下:（1）针对传统即时学习单一的建模配置难以保证即时学习模型适应所有的过程状态,提出了一种基于多样性子空间和相似度的集成即时学习软测量方法。该方法以局部加权偏最小二乘（Locally Weighted Partial Least Squares,LWPLS）算法为基学习器,通过输入特征扰动和相似度扰动相结合的多模态扰动机制激发即时学习基模型的多样性,并基于进化多目标优化方法构建多样性和准确性的LWPLS基模型,最后采用Stacking集成学习策略实现基模型的融合。通过在青霉素发酵过程和工业混炼胶过程中的应用,验证了所提方法的有效性和优越性。（2）针对传统即时学习建模方法中仅使用单一相似度,难以处理工业过程复杂特性的问题,提出了一种基于异构相似度的选择性集成即时学习软测量方法。该方法通过定义多个相似度函数构建相似度函数库,使用进化多目标优化选择相似度函数用于建立满足多样性和准确性的即时学习基模型,最后使用Stacking集成策略融合基模型,并得到最终预测输出。通过在青霉素发酵过程中的应用,验证了该方法的有效性。（3）针对工业混炼胶过程中门尼粘度这一关键参数难以在线测量的问题,提出了一种基于多样性子空间和异构相似度的选择性集成即时学习软测量方法。该方法通过相似度函数扰动和输入变量扰动相结合的多模态扰动机制来增强即时学习基模型的多样性,使用进化多目标优化方法获得一组同时满足准确性和多样性的即时学习基模型,再结合自适应混合机制集成策略实现基模型的融合。通过在工业混炼胶过程中的应用,验证了所提方法的有效性。