在一些复杂的工业过程中,随着产品质量要求的不断提高,需要对一些直接决定产品质量的过程变量进行严格的监测和控制。但是由于某些测量仪器价格昂贵或者技术条件的制约,使得这些变量无法用在线仪器测量得到。对于这些难以测得的变量,可以通过建立软测量模型的方法进行估计和预测。离线建立好的软测量模型投入运行以后,由于催化剂活性失活、设备老化等原因,实际的工业生产过程往往存在时变性,生产过程的工作点将会发生变化,之前建立好的全局模型将失效,不能适用于当前工况。预测的结果不能满足精度要求。因此,采用即时学习(Just-in Time Learning,JITL)策略,通过不断地建立局部模型来克服全局模型的不足。本文基于JITL策略进行软测量建模研究,具体的研究内容和成果如下:(1)对于一些具有非高斯特性的时变工业过程,提出一种基于贝叶斯高斯混合模型(Bayesian Gaussian mixture model,BGMM)的JITL软测量建模方法。首先,对于给定的训练样本集,利用贝叶斯信息准则对高斯混合模型的成分个数进行优化;然后,对于新的测试样本,利用BGMM相似度准则从训练样本中找出与之最相似的一组样本建立高斯过程回归(Gaussian process regression,GPR)模型;最后,用该模型对测试样本进行预测。通过脱丁烷塔塔底丁烷浓度的软测量建模仿真,验证了所提方法的有效性和精度。(2)进一步考虑到工业过程的多阶段特征,在BGMM-JITL单模型的基础上,提出一种多模型建模方法。该方法采用GMM算法对训练集进行聚类处理。对于到来的测试样本,在每个类别中分别采用BGMM的相似度准则选取相似样本建立多个局部GPR子模型,并对该测试样本进行预测得到多个子模型的预测值,最后采用贝叶斯后验概率对多个子模型预测值融合输出。通过青霉素发酵过程中产物浓度的预测实验表明了所提方法有较高的预测精度和可靠性。(3)针对降低即时学习模型更新频率会导致模型精度下降的问题,提出一种基于二阶相似度(Second-order similarity,SOS)的即时学习建模方法。该方法考虑到样本集整体的分布特征,在一阶相似度(First-order similarity,FOS)准则的基础上构建一种二阶相似度准则,选择与待测样本拥有绝大多数相同邻居的相似样本建立局部模型;并引入累计相似度因子自适应地确定建立局部模型时的数据长度,采用相似度阈值判断当前时刻是否需要更新模型。通过一个数值仿真和青霉素发酵过程的仿真验证了所提方法在减少模型耗时的同时,也提高了模型的精度。