在复杂工业过程中,对运行中的某些关键变量进行实时监控具有重要的意义,然而受到技术条件有限、检测装置昂贵以及现场环境恶劣等不利因素的影响,这些变量难以利用硬件传感器检测得到。在这种情况下,软测量技术得到应用,通过训练集构建数学模型,实现对新样本质量变量的实时估计。软测量技术通常需要大量有标记样本才能完成高精度模型训练,然而在实际工业过程中常常是无标记样本数量较多,有标记样本数量稀少,且获取成本高。因此,本文将主动学习引入软测量中,在主动学习框架下,根据高斯过程回归、贝叶斯极限学习机和核极限学习机等不同方法特性设计了相应的样本选择机制,有效改善了软测量模型的预测精度,实现了以最小标记代价最大限度地提升模型性能的目的。具体研究内容如下:（1）针对复杂工业过程中有标记样本少,无标记样本多且标记成本较高等问题,提出一种基于子空间集成的主动学习软测量建模方法。首先,采用主成分分析对无标记样本进行子空间集成;然后,基于所有高斯过程回归子模型的预测输出,计算无标记样本的不确定度,从而对无标记样本进行信息评估,选取最有价值的样本进行人工标记;最后,通过分析无标记样本和有标记样本的作用,引入训练集的性能指标完成对终止条件的设计。通过数值仿真和实际工业过程数据的应用仿真,验证了所提方法在减小标记代价的同时,还能实现模型精度的提高。（2）进一步从训练样本预测方差的角度考虑,提出了贝叶斯极限学习机的主动学习软测量建模方法。该方法采用贝叶斯极限学习机对无标记样本的方差进行预测,在不考虑参数变化的情况下,构建基于整体方差改变量的样本选择策略,从而提升软测量模型的泛化性能。将所提方法进行数值仿真验证并应用于硫化氢浓度的预测,实验结果表明,所提方法能够以最小的标记代价最大限度地提升模型性能,为主动学习软测量建模提供了新思路。（3）为提高主动学习方法的运行效率,将主动学习与核极限学习机结合,提出一种基于核极限学习机的快速主动学习方法。首先,采用核极限学习机对无标记样本进行信息评估,将无标记样本的置信度作为样本选择评价准则,选择对改善模型性能最有价值的无标记样本进行标记;其次,充分考虑每次迭代过程的运算信息,引入矩阵反演公式优化样本选择策略,提升迭代过程样本评估的运行效率;最后,应用矩阵相似度理论对迭代过程的已标记样本数据进行信息度量,并将其作为迭代终止依据,以最小的标记代价提升模型性能。所提方法不仅标记代价小,而且提高了迭代的快速性,比较全面地提升了主动学习算法的性能。