软测量是指通过建立易于测得的过程变量与目标变量间的数学模型,对目标变量进行预测的一种测量方法。而受当前传感设备老化、零漂噪声等因素影响,真实工业场景下获取到的工业数据往往包含大量的弱标签数据和少量的有标签数据。传统的直接标定方法存在一定的局限性,带来更高的成本甚至额外的噪声信息,而直接利用弱标签数据会使得原有的软测量模型包含了噪声信息从而使得预测不准确的问题,而仅仅使用少量的有标签数据则会限制模型的鲁棒性。如何合理利用弱标签数据,在不额外获取更多的有标签数据的前提下提高传统模型进行软测量的准确性是本文研究的重点。文章面向工业过程中的不准确监督软测量问题,从模型的数据增强以及模型架构的角度展开研究,重点解决了无偏噪声下的不准确监督问题,有偏噪声下的不准确监督问题两种不准确监督数据的利用问题,并主要提出了能够用来改进传统机器学习模型无偏噪声下表现的模型框架,主要研究内容包括:（1）针对工业数据包含无偏噪声问题。本文针对性提出了一种基于KDE的标签可信度评价手段,并由此引入一种基于集成神经网络的可信度估计网络模型（INNs Wo R）用于评价数据标签的噪声大小。此模型能够有效提取不准确标签数据中的无偏噪声信息,并赋予相应的权重,能够用于指导下游模型的训练过程。（2）针对传统机器学习在弱标签数据下表现不佳的问题。文章提出了基于集成神经网络的可信度估计网络-基模型的流程架构,通过使用上游INNs Wo R所学习到的不准确标签信息可信度信息来指导下游模型的训练,并给出了多层感知机（MLP）、支持向量回归（SVR）、偏最小二乘回归（PLS）在该流程架构下的效果提升结果,证明了所提出的流程架构的强大的生命力与适配性。（3）针对工业数据包含有偏噪声问题。本文提出一种基于双通道的神经网络（BCNNs）方法,通过冻结不同通道使得不同数据通过不同组合通道传播,同时更正损失函数的定义以及训练的交替进行,并证明BCNNs在最终预测效果上有所提升,为后续的有偏噪声处理提供一定的解决思路。