随着生产技术的发展和生产过程的日益复杂，为确保生产装置安全、高效地运行，需要对与系统的稳定、产品质量密切相关的重要过程变量进行实时监测和优化控制。然而，由于种种原因，这些需要被监控的变量有的很难被直接测得，有的即使能直接测到，但投资费用昂贵且测量滞后较大。软测量(soft sensor)为以上问题提供了一个有效的解决办法。 软测量的核心就是建模。近年来，核方法(kernel methods)在机器学习领域中日益盛行起来，它能将经典的线性分类算法以简洁、优雅的方式拓展到非线性情况中去。本文主要研究了核方法中的高斯过程(Gaussian processes)方法，为解决软测量建模提供了一种新的有效途径。在此基础上，丰富了实验室现有软仪表的算法库，并将软仪表在甲醇精馏工业生产装置上成功实施。 论文的主要内容和研究成果包括： 1．根据高斯过程的基本理论，提出了基于标准高斯过程的软测量建模方法，该学习机采用平方指数协方差函数为核函数，训练时使用变尺度共轭梯度法米优化超参数。为了将标准高斯过程推广到非高斯噪声的情况，提出了基于变型高斯过程的软测量建模方法，该学习机采用双曲正切协方差函数为核函数，对标准高斯过程的输出空间实施非线性单调变换。从平滑样条模型出发，对比分析了核方法的两大范式——高斯过程和支持向量机的联系与区别，为进一步理解和推进核方法的研究奠定了良好的基础。 2．针对在线应用和大数据集等情况，提出了基于稀疏高斯模型的软测量建模方法。它是基于Bayes在线学习算法，通过构造一连串的相关子样本来给出高斯过程的预测输出。通过利用参数化和再生核Hilbert空间范数的投影技巧，得到优化后的参数和后验过程的稀疏高斯逼近。运用稀疏技巧极大地减轻了高斯模型的计算量，推动了“国家发改委”工业自动化高技术产业化重大专项＂之＂煤化工企业综合自动化信息集成平台及应用”；国家高技术研究发展计划(863计划)项目(2004AA412050)；国家＂十五＂科技攻关计划项日(2001BA20lA04)软测量模型的实际运用。 3．针对工业过程的多工况特性，提出了基于混合高斯模型的软测量建模方法。通过判断出与特定工况相关程度最大的过程知识，利用它们建立与特定工况相对应的局部高斯模型，再将它们合并组成具有多模型结构的全局模型。混合模型的使用既有利于降低单一模型的计算负担、提高单一模型的建模精度，又能有效反映工业过程中的工况变化。 4．结合所提出的软测量建模方法，利用面向对象、多线程、动态链接库等软件技术，开发了基于wincE.net的嵌入式软仪表，丰富了实验室现有软仪表的算法库，实现了软仪表的硬件化。 5．将软仪表成功应用于上海焦化有限公司碳一分公司甲醇精馏工业生产装置加压塔塔顶甲醇浓度S2(乙醇浓度)的软测量，取得了满意的效果，为工厂的生产操作和先进控制的实施提供了条件。