为解决工业生产过程中一些重要的过程变量在现有的技术条件下难于直接测量或不易快速测量的问题，本课题组在前期工作中提出了神经网络逆软测量方法。该方法不依赖于被测对象精确的数学模型，但需要知道模型的大致结构和参数的大致范围，才可建立被测对象的软仪表（软测量模型），不过本课题组以前并没有对被测对象的建模问题进行深入的分析和研究。本文的主要工作是针对神经网络逆软测量方法对被测对象模型的要求，以青霉素发酵过程为例，提出了一套具体的建模方案，得到最适用于神经网络逆软测量方法的青霉素发酵过程的模型结构。本文的主要研究内容和成果有：　　 1.通过对青霉素发酵过程原理的分析，根据现有的研究成果以及神经网络逆软测量方法对模型的要求，得到了多种备选的青霉素发酵过程的模型结构，并根据神经网络逆软测量方法的建模步骤，推导了不同模型结构所对应的软仪表。　　 2.以青霉素发酵过程仿真平台Pensim产生的数据作为青霉素发酵的实际数据，采用非线性最小二乘法对青霉素发酵过程模型中的参数进行了辨识。针对青霉素发酵这样一个复杂的非线性模型（20多个需要辨识的参数），在参数辨识过程中，采用了对辨识数据进行归一化，合理设置参数初值，合理地调整目标函数加权系数以及分批辨识模型参数的方法，成功地辨识出了各种备选的青霉素发酵模型中的参数。　　 3.根据模型输出数据与实际数据（由Pensim产生）的拟合程度，以及各种备选模型结构对应的软仪表实现的难易程度，从多种备选的模型结构中优选出了最合适的青霉素发酵过程的模型结构。同时，根据优选出的模型结构，设计了神经网络逆软仪表并进行了相应的仿真研究。结果表明，采用神经网络逆软测量方法能够很好地实现菌体浓度和基质浓度的在线软测量，但无法有效地实现产物浓度的在线软测量。