间歇过程是化工生产、生物制药等行业的主要生产方式,具有多模态、非线性、多变量等特点。受传感器技术的制约,间歇过程中存在底物浓度、产物浓度等难以直接测量的过程变量,直接影响间歇过程的在线监测和优化控制,导致生产效率降低并且难以保证间歇过程的安全运行。软测量技术通过建立容易测量的辅助变量和难以直接测量的主导变量之间的数学模型,实现对主导变量的在线估计。现有的间歇过程软测量混合建模方法没有考虑模型参数数量的增加导致模型泛化能力变差的问题,进而增加模型风险;也没有考虑模型的拟合程度对模型风险的影响,直接导致所建立的间歇过程软测量混合模型的估计精度不高、鲁棒性较差。因此,研究模型风险评估方法对间歇过程软测量混合建模具有重要意义和应用价值。本文研究了间歇过程模型风险评估方法以及基于模型风险评估的多模态间歇过程软测量混合建模方法。首先,提出了基于贝叶斯信息准则（Bayesian Information Criterion,BIC）和结构风险最小化原则（Structural Risk Minimization,SRM）的模型风险评估方法。根据参数数量、模型拟合程度,利用贝叶斯信息准则对模型风险进行评估;考虑到模型中的风险点以及经验风险对模型风险的影响,引入结构风险最小化原则对模型风险进行评估;在此基础上,利用所提出的间歇过程模型风险评估方法,分别对机理模型和数据驱动模型的模型风险进行定量评估,根据模型风险评估结果分别计算机理模型、数据驱动模型在混合模型中的权重,以加权融合的方式构建间歇过程软测量混合模型,提高混合模型的估计精度和鲁棒性。实验研究表明,所提出的基于BIC和基于SRM原则的模型风险评估方法,有效地实现了对间歇过程模型风险的定量评估,为确定混合模型中机理模型与数据驱动模型的权重提供依据,可以应用于间歇过程软测量混合建模当中。根据模型风险评估结果计算机理模型与数据驱动模型的权重,以加权融合的方式构建间歇过程软测量混合模型,与其他建模方法相比,本文提出的方法能够提高间歇过程软测量混合模型的估计精度和鲁棒性。