随着现代工业过程对控制、计量、节能增效和运行可靠性等要求的不断提高,各种测量要求日益增多.而在许多实际化工生产过程中,存在着许多难以或无法直接测量的参数,同时它们又是要加以严格控制,且对产品质量以及生产的安全性有着很大影响.近年来发展起来的软测量技术突破了常规工业仪表在测量方面存在的问题,对那些容易测量并且与那些需要测量却又难以或无法直接测量的参数,充分利用与之密切相关的辅助变量,依据某种最优化准则进行估算.在一些控制系统中,也可以把软测量模型的输出作为反馈信号,来实现对产品质量的闭环控制,为提高生产效益和产品质量提供强有力的保证.现在,软测量技术已经被越来越多的人所认可,逐渐成为过程控制领域的一个研究热点.软测量技术的核心是模型的建立问题,该文提出了基于BP人工神经网络来建立软测量模型的方法.针对以往利用标准BP人工神经网络建立软测量容易出现的一些问题,例如:模型的训练时间长,又比较容易陷入局部极小等,该文在别人提出的利用动量法和自适应改变学习率改进BP神经网络算法的基础上,进一步对神经网络的学习算法进行了改进,引入一个陡度因子,不但提高了模型的精度而且也使网络的泛化能力得到了增强.另外,针对神经网络的输入变量之间的相关性对模型的训练时间有很大影响这一问题,把主元分析的方法(PCA)引入到建模中,从而形成了PCA-陡度因子-改进BP算法,这一方法在保证模型精度的同时简化了网络模型,提高了训练速度.最后,在理论分析的基础上进行了基于神经网络的软测量技术的应用研究,所选择的研究对象是对某化工厂盐酸生产车间的盐酸浓度以及其他对象的预测.并对各种方法的实验结果进行了对比,结果表明:利用本文所提出的PCA-改进BP算法的神经网络所建立起来的软测量模型,在训练速度、模型精度以及泛化能力方面都有所提高,均优于以往的其他方法.为实际软测量技术的在线应用奠定了坚实的理论基础.