由于实际工业过程中的复杂性、强非线性和时变性等特点,极大地限制了全局软测量模型的应用,即时学习算法作为一种局部软测量建模方法能够很好的解决此类问题。相似性度量是即时学习算法中最关键的一步,很大程度上直接决定了模型的预测精度。本文以局部加权偏最小二乘回归算法为基础,研究了给变量加权的即时学习算法,具体的研究工作如下:第一,针对工业过程中常见的相似性度量只考虑输入变量的问题,提出一种与输出相关的给变量加权的即时学习算法,并总结和比较了基于相关系数和基于回归系数给变量加权的算法。通过数值例子和脱丁烷塔化工过程验证了基于与输出相关的给变量加权的即时学习算法能够有效的提高系统的鲁棒性,并发现权重系数的不同阶次对模型的预测结果有一定的影响。第二,在基于与输出相关给变量加权的即时学习算法的基础上,首先研究了基于相关系数和回归系数给变量加权的权重系数的不同偶数阶次(包含绝对值)对模型预测结果的影响,通过具有时变过程的数值仿真例子和硫回收单元中硫化氢的浓度预测验证了权重系数的阶次越高,预测效果不一定越好,在异常值较多的情况下,取权重系数的绝对值的预测结果反而最佳;然后选取了四种常用的权重函数进行了即时学习建模,实验结果表明,针对不同的工业过程,选取不同的权重函数能够提高模型的预测效果。因此,在实际工业过程中,根据不同的数据特性,选择合适的权重系数的阶次和权重函数能够最大程度提高模型的预测精度,从而提高工业的生产效益。第三,针对工业过程中的数据具有高维性、强非线性以及噪声干扰等问题,提出了基于即时学习的不完整高维数据非线性过程软测量算法。首先采用概率主成分分析法补全原始缺失数据,然后利用偏最小二乘法对样本数据进行有监督降维,最后在潜在空间中进行局部加权偏最小二乘回归。与传统的利用主成分分析法降维的局部加权偏最小二乘回归相比较,数值例子和脱丁烷塔化工过程实验仿真结果均表明所提算法能够有效的提高模型的预测性能。最后,在偏最小二乘算法能够有效降维的基础上,结合与输出相关给变量加权的即时学习算法,提出了基于多样性给变量加权的局部加权偏最小二乘回归算法,同时进一步研究了相关系数的不同阶次对模型性能的影响。该算法的有效性和精准性在数值例子和脱丁烷塔化工过程中均得到了验证,并对工业过程中提高系统的鲁棒性提供了指导方向。