在工业控制中,存在一些影响控制过程的重要变量,由于测量技术与测量仪器的限制,这些变量很难通过在线被精确测量。软测量建模技术通过选取辅助变量建模来估计这些变量,具有精度高、维护方便等优点,可以很好地解决这类参数测量问题。软测量技术被广泛用于对关键过程变量的建模预测,过程监控及故障诊断。软测量方法主要有多元统计、神经网络、高斯过程回归、支持向量回归等。深度学习具有可以进行自动的特征提取、特征选择,大样本下预测精度高、泛化能力强等优点。本文利用深度学习来解决软测量建模中的变量共线性和缺失值等问题,并利用无标签样本进行半监督学习。论文的主要研究工作如下:1.介绍了软测量技术的发展及主要的建模方法,详细介绍了不同建模方法的原理及优缺点。同时介绍了深度学习技术的原理,主要模型,发展及最新的一些研究成果。2.利用深度学习的去噪自动编码器进行软测量建模,提出DAE-SVR方法来解决传统软测量建模中遇到的缺失值问题和变量共线性问题。该方法首先通过DAE进行特征提取,然后采用SVR方法进行回归预测。通过DAE可以提取更高层和抽象的特征,有利于提高预测的精度,因此,使用该方法获得的预测精度高于传统的SVR方法。该方法在污水中凯氏氮含量预测的软测量建模仿真实验中,取得了很好的实验效果。3.提出了DAE-NN方法来处理大样本,复杂网络下的软测量建模问题。该方法先通过DAE进行无监督预训练,然后采用NN进行有监督的参数调优,获得了较传统方法更高的预测精度及训练速度。该方法在污水中凯氏氮含量预测的软测量建模仿真实验中,取得了很好的实验效果。4.提出了基于DAE-NN的半监督软测量建模方法,可以充分利用无标签样本进行半监督建模。通过在DAE的无监督预训练阶段加入无标签样本,可以有效提高模型的预测精度与泛化能力。5.提出了样本加权的基于DAE-NN的半监督软测量建模方法,通过DBSCAN对无标签样本进行聚类,找出低密度区域的样本点。然后通过对低密度样本加权的方式来减小离群样本对模型精度的影响,从而提高模型的泛化能力。6.将所提出的模型用于实际工业控制中超超临界机组的烟气含氧量预测,取得了比传统的SVR方法更高的预测精度,因此,将深度学习应用于软测量建模具有可行性以及广阔前景。