推理估计器是推理控制系统设计的关键,推理估计器模型(软测量模型)的设计方法也是设计一个控制系统的关键,也是软测量技术的核心。不同于一般意义下的数学模型,它强调的是通过二次变量来获得对主导变量的最优估计。本文在介绍了推理估计器设计方法的基础上,针对推理估计器的两种常用方法--偏最小二乘回归法(PLS)和支持向量机(SVM)建模方法进行了深入研究。偏最小二乘回归是一种新型多元统计分析方法,在因变量对多自变量的回归建模中,当各变量集合内部存在较高程度的相关性时,用偏最小二乘回归建模分析,比一般多元回归更加有效,其结论更加可靠。支持向量机(SVM)建模方法是一种新的数据建模方法,它以统计学习理论为基础,采用结构风险最小化准则,在最小化样本拟合误差的同时控制学习函数的复杂度,从而获得良好的泛化能力。为提高推理估计器模型的精度和PLS模型的泛化能力,本文首先将缩放的思想嵌入到PLS模型中,对原有的缩放法进行改进。通过缩小或放大训练集,将训练样本模糊化,寻求用输出误差最小的样本集回归模型,缩小测试误差,来提高PLS的泛化能力。多个仿真实验和分析表明,基于r因子的缩放法简单可靠,效果明显,可用以改进和提高PLS的泛化能力。在一般的多变量回归建模方法中,通常将用来建立模型的每个输入样本对模型的输出都看作有着相同的影响,各个输入样本不同的预报能力往往被忽略。本文将样本权重和减量学习的思想嵌入到PLS算法中,提出了可调权重偏最小二乘回归算法(Regulable-weighted partial least squares, RWPLS)。该方法首先用普通的PLS方法对样本数据进行回归建模,然后根据增量学习的逆方法--减量学习方法,分析各个样本,为预报能力弱的样本分配权值。用重新分配了权值的样本进行训练,得到泛化能力更强的模型。将RWPLS应用于双酚A结晶过程软测量建模,可以获得更高精度的模型。推理控制的思想是实现推算出主导变量以实现反馈控制,或推算出干扰以实现前馈控制。根据上述思想,以提高模型的预测能力为目标,本文提出了一种基于输出偏差校正(Deviation Correction)的建模方法。该方法将模型的测试偏差引入到模型输出校正中,从而提高了模型的预测精度。将该方法与支持向量机(Support Vector Machine, SVM)相结合,将测试偏差反馈到输出实施校正,并在实际应用于双酚A结晶过程软测量模型中,获得了比SVM模型更好的预测精度。