基于数据的过程模型可以用于实时在线预测难以直接测量的关键变量信息,进而实现产品质量的在线优化和控制,是传统软测量技术和现代过程分析技术(Process Analytical Technology-PAT)的化学计量学研究的关键部分。近些年来,对基于数据的过程模型的研究获得了广泛的重视和发展,但是其中许多是基于实验室数据甚至模拟数据,不能完全反映在工业数据建模和实际应用中遇到的许多挑战。事实上,对于许多工业企业在应用基于数据的过程模型中遇到具体的困难,文献中并不能总是提供现成的解决方案,应对这些挑战最有效的方法无疑是结合具体的工业应用和数据开展研究。本研究在综述现有的基于数据的过程模型建模方法的基础上,以实际工业过程获得的数据为基础,对建模过程进行了系统的研究,对其中存在的一些关键问题以及相应的解决方案进行了探讨。其结果不仅为工业过程对象建立了预测模型,而且利用模型对过程状态进行了识别,对提高模型性能的方法也作出了展望。本论文的研究工作可以概括为如下几个方面：系统研究了基于数据的静态软测量模型的建模方法,并用于常压塔塔顶重整料终馏点的预测。模型中包含了基于小波和盒图的单变量数据预处理、遗传算法确定辅助变量与主导变量之间的滞后时间和鲁棒PLS对多元数据的异常识别与建模等多种方法。建立的软测量模型对于未知数据取得了较好的预测效果。为了使模型对工业过程的动态特性进行描述,研究了基于数据的动态软测量模型,提出利用网格搜索法优化动态软测量模型中最大滞后时间和再采样间隔的方法。常压塔塔顶重整料终馏点的预测实验结果表明,常压塔过程存在明显的动态特性,通过优化最大滞后时间和再采样间隔,基于动态PLS建立的软测量模型预测误差比之前静态模型预测误差小,取得了较好的预测效果。考虑到工业常压塔过程的非线性特性,对非线性建模技术人工神经网络(Artificial Neural Network-ANN))和支持向量机(Support Vector Machine-SVM)进行了研究,并将其与线性模型主元分析(Principal Component Regression-PCR)和偏最小二乘(Partial Least Squares -PLS)对比。常压塔软测量的应用表明,PLS方法的预测效果最好,分析可能是由于过程的连续操作相对平稳,有限时间内的过程状态行为近似于线性。另外,利用PCA技术对常压塔过程长期运行工况的变化情况进行了研究,结果表明过程工况存在缓慢的漂移现象。在此基础上,利用移动窗口更新的方式实现了模型的自动更新。结果表明模型可以很好的预测塔顶终馏点的变化趋势,可以为工业产品质量的优化和控制提供参考。本研究还结合工业数据对近红外光谱建模技术进行了系统的研究,主要包括数据预处理、变量选择等影响因素,并应用于复方中药提取液多糖含量的建模。结果表明,阶导数和标准化变量预处理方法,结合随机蛙(Random frog)变量选择方法的PLS模型对未知样品的预测误差符合工业过程优化和控制的要求,所建立的模型对这一挑战性的近红外应用取得了良好的预测结果。