软测量技术是解决化工过程重要质量变量难以在线测量问题的一种有效方法，其核心研究内容是软测量建模方法。针对非线性较强、机理较为复杂的时变生产过程，提出了两种自适应软测量建模方法，其中动态选择性集成神经网络用于解决待预测数据差异性问题，移动窗高斯过程回归可根据新有效数据实时更新软测量模型，并将其应用于聚丙烯熔融指数软测量研究中，以实现熔融指数在线预测。　　主要研究工作如下:　　(1)对软测量技术进行了全面分析与总结。在对软测量技术的主要实施方法总结的基础上，系统综述了常用自适应软测量方法及其研究现状，详细分析了各种方法的设计思想和优缺点，并对其发展方向进行了展望;　　(2)为了提高集成神经网络模型的预测性能，从数据自适应角度出发，提出了一种动态选择性集成神经网络建模方法。首先用Bootstrap算法生成一组候选子模型，然后利用待预测样本数据的最近邻样本集作为评估样本，对各候选子模型进行性能评估，最后从中选择预测性能最佳的子模型用于模型集成。采用UCI数据库中的混凝土坍落度数据测试了该建模方法的有效性;　　(3)针对生产过程的时变特性，以及软测量技术实施过程中对模型预测可信度的需求，将移动窗方法与高斯过程回归相结合，提出了一种移动窗高斯过程回归自适应建模方法。该方法克服了传统移动窗方法的缺点，根据对数预测密度误差对窗口数据进行更新，使模型尽可能表现当前过程状态，并采用预测误差阈值方法判断过程状态是否发生改变，若发生改变则进行选择性模型更新，减少了模型更新次数，进而减少了计算负荷;　　(4)以聚丙烯熔融指数为应用对象，开展了自适应软测量建模方法的应用研究。采用动态选择性集成神经网络建立了熔融指数软测量模型，研究了聚丙烯熔融指数的短期在线准确预测问题。采用移动窗高斯过程回归构建熔融指数软测量模型，研究聚丙烯熔融指数的长期趋势跟踪问题。通过合理融合上述两种自适应软测量建模方法，提出了一种混合自适应软测量建模方法，验证结果表明:采用该建模方法建立的熔融指数软测量模型，可实现熔融指数的长期准确预测。　　本文所提出的两种自适应软测量建模方法，对实现时变过程重要质量指标的在线预测具有较高的研究意义和实用价值，对软测量技术研究和发展具有一定的理论意义和应用参考价值，可以为时变生产过程的在线监测和优化控制提供关键技术支持，有助于提高生产过程的质量控制水平。