分布参数系统广泛存在于各类先进制造过程中,例如半导体制造、生物制药、化工合成以及材料工程等,这些系统的能量和质量在空间上广泛分布,在时间上连续变化,对其进行建模对于工业过程中的参数预测、控制设计和过程优化都有着重大意义。传统方法采用偏微分方程进行建模,然而,由于系统日益庞大、工作机理复杂、控制变量繁多等特点,分布参数系统的偏微分方程模型难以精确获取。基于数据的建模方法无需了解工业过程工艺机理及工业对象内部结构,仅依赖于采集的大量工业过程数据,是一种黑箱建模方法,已成为对分布参数系统进行建模的有效手段。本文以数据驱动的方法为建模手段,以时空分离理论为基本方法路线,研究了针对复杂非线性分布参数系统的时空建模方法,主要内容是分布参数系统建模方法中的时间系数模型和时空分离方法。全文的主要研究内容即创新性成果如下:分布参数系统时间系数建模过程中,模型性能通常会受到输入变量冗余和模型结构冗余的影响。针对这一问题,提出了一种时间系数模型变量与结构双重压缩方法。该方法通过将最小绝对收缩与选择算子（Least Absolute Shrinkage and Selection Operator,LASSO）的特征选择特性与多层感知器（Multilayer Perceptron,MLP）的非线性特性相结合,利用双重压缩解决模型的输入与结构冗余问题,并能够提高模型精度。采用仿真实例和工业实例验证了所提算法的有效性。针对分布参数系统存在两个耦合的非线性结构与动态变化特性问题,提出了一种基于神经网络的动态双结构时间系数建模方法,该方法通过将MLP神经网络与长短期记忆（Long Short-Time Memory,LSTM）神经网络相并联,构建一种新型动态双结构混合时间系数模型来合理匹配两个耦合的非线性结构,并充分考虑了历史时刻信息对预测值的影响。采用固化炉热过程实例进行实验对比分析,结果表明基于所提方法的时空模型可以较好地估计热过程中的温度分布。针对复杂的分布参数系统在时空建模空间基函数学习过程中面临局部或全局结构非线性特征丢失的问题,提出了一种基于局部与全局双尺度的时空分离方法来合理地处理这些特征信息,该方法是一种全局的双尺度非线性空间基函数学习方法,它可以同时保留数据的局部和全局结构特征。采用锂离子单体电池热过程实验对所提方法进行了测试,验证了基于局部与全局双尺度的时空分离方法的可靠性。由于分布参数系统存在大范围、多工况的特性,传统的单一全局时空模型无法精确地模拟这类系统的全过程。针对这一问题,提出了一种基于密度峰值聚类（Density Peaks Clustering,DPC）的多模型时空分离方法,通过采用DPC算法将时空变量划分为若干代表原始系统局部时空特征的子空间,然后基于Karhunen-Loève方法分别建立所有局部时空模型后,利用LASSO回归算法对各局部时空模型进行加权求和得到集成模型来逼近原系统。采用催化棒放热催化反应热过程来进行实验仿真分析,验证了基于DPC的多模型时空分离方法的可靠性。