过程建模在化学工业过程中有着很大的意义，是过程控制和过程优化的重要基础。聚合反应过程的特点是反应机理复杂，且有着非线性以及时变性，因此增加了建立该过程数学模型的难度。本文针对连续聚合反应过程，探讨了混合建模的方法，具体包含以下内容：1.以苯乙烯聚合反应过程为背景，探讨一种基于径向基函数神经网络的混合建模方法。本论文中研究的苯乙烯聚合反应过程属于反应机理部分已知，其中反应速率方程未知；反应变量可测，主要包括各反应物及生成物的浓度变量可测；反应参数未知，主要是反应速率方程中的参数未知的一类反应。针对以上特点，本文利用径向基函数的逼近特性，采用径向基函数神经网络来逼近不可测量部分的反应速率方程模型，采用白箱模型来建立已知机理部分的微分方程模型，最终将两种模型联结成一个整体形成灰箱模型。2.针对反应变量不可在线测量的一类反应，本文提出了一种基于误差最小的方法来估计不可在线测量变量的最优值。充分利用已知条件，合理假设，根据误差最小，得到不可在线测量变量的数值。3.以聚丙烯反应过程为背景，探讨对不可在线测量变量的估计方法。本论文中研究的聚丙烯反应过程属于反应机理部分已知，其中反应速率方程未知；反应变量部分可测，其中单体及链自由基浓度不可测；反应参数未知，主要是反应速率方程中的参数未知的一类反应。本文首先采用误差最小的方法估计单体和链自由基浓度的最优值，然后根据估计出来的最优值来获得径向基函数神经网络所需的数据样本即各反应速率数据，最后根据神经网络输出的反应速率数据以及已知的反应机理构建反应物浓度的微分方程模型。由于聚丙烯反应过程存在着不可在线测量变量，使得聚丙烯反应过程更接近于实际的反应过程，本文探讨的混合建模方法最终解决了含有不可在线测量变量的连续聚合反应过程的建模问题。在文章的最后，指出了混合建模方法有待进一步深入研究的问题——模型收敛性问题。