固态发酵是一个多相多变量、强耦合的非线性系统。在实际的固态发酵生产过程中，由于硬件检测设备缺乏和价格过高的原因，一些关键变量的信息只能通过离线检测获得，往往造成信息滞后。这严重制约了固态发酵系统控制性能的提高。近红外光谱分析技术具有快速、无损、准确，多组分同时检测等优点，将其与软测量方结合是解决上述问题的有效途径之一。　　 本文以秸秆饲料蛋白发酵过程为研究对象，在实验获取的发酵样本近红外光谱基础上，将近红外光谱分析技术与软测量方法结合起来，建立了基于BP-Adaboost的秸秆蛋白饲料固态发酵过程参数检测软测量模型，并采用PSO算法对该模型进行了优化。全文主要研究内容如下:　　 1、在秸秆蛋白饲料固态发酵实验的基础上，获得秸秆固态发酵过程产物样本，测得样本的近红外光谱和对应的pH值。采用四种不同的预处理方法对光谱进行预处理，并确定了该光谱的最佳预处理方法。　　 2、将AdaBoost算法与近红外光谱分析技术结合起来，建立了BP-AdaBoost软测量模型，并把BP-Adaboost模型的预测结果分别与传统BP神经网络模型、偏最小二乘模型(PLS)、最小二乘支持向量机模型的结果进行了比较。　　 3、提出了基于PSO算法的BP-Adaboost模型参数Φ的优化方法，并给出了适应于优化模型参数Φ的适应度函数。详细介绍了模型建立及优化的步骤，并验证了该方法的可行性和优化后BP-Adaboost模型的优越性。　　 4、提出一种BP-Adaboost的优化建模方法，即在Adaboost算法的基础上，对各弱预测器的组合权值进一步调整优化:进一步加强预测效果好的弱预测器的权值，进一步削弱预测效果较差的弱预测器权值。并根据经验调整模型权重系数W，提高了BP-Adaboost模型的预测精度，验证了该方法的可行性。　　 5、针对根据经验调整BP-Adaboost模型弱预测器权重系数W比较费时、繁琐，且较难找到最优权值的问题。研究采用PSO算法，利用其全局寻优能力，优化BP-Adaboost模型权重系数W。文章给出PSO算法优化BP-Adaboost模型的建模方法、步骤以及相关参数，经过优化后预测模型的均方根误差减小，相关系数变大。　　 6、在BP-Adaboost模型参数Φ和W分别得到优化后，进一步提出采用PSO算法对参数Φ和W进行同时优化方法，给出了详细优化的步骤。优化后模型精度显著提高，预测均方根误差减小，相关系数变大。