目前许多先进过程控制策略和优化技术被应用到众多工业生产过程中，目的是通过提高产品质量及产量进而获得显著的经济效益。应用先进控制技术的难点在于在线产品质量的测量检测问题。以前，通常采用离线采样分析的方法以获取产品质量指标，利用人工分析的结果控制质量。这种方法测量滞后大，不满足在线控制的要求。或者使用在线分析仪表，但它也有10～20分的滞后，而且分析仪器价格昂贵。基于以上原因，出现了软测量技术，这是一种技术先进、前景广阔的工业技术。它可以为在线反馈控制提供实时测量信号，提高产品质量和产量。 优良的推断控制质量取决于推断估计值的可靠与否，因此本文的重点是控制系统中推断估计器的设计。论文详细介绍了推断控制系统的组成及软测量估计器模型的建立方法，着重对软测量估计器模型的性能改进及其应用进行了研究。由于神经网络具有很好的非线性函数逼近能力，所以首先采用直接神经网络的建模方法，针对该网络计算量大、对样本要求严格的弱点，采用基于人工神经元网络的非线性部分最小二乘法(NNPLS)，它将多输入多输出的非线性建模任务分解为线性的外关系和简单的内关系，用神经网络来实现内关系，简化了网络结构。并在原有基于BP网络的非线性部分最小二乘法的基础上，提出了基于RBF网络的非线性部分最小二乘法，分别进行仿真实验。针对RBF网络建模过程中出现的问题，又提出了改进的RBF算法。最后对实例进行推断控制研究。仿真结果表明：本文提出的基于RBF网络的NNPLS方法以及改进的RBF算法在可靠性、实时性、泛化能力等方面具有优良性能，应用前景良好。