随着新一轮工业革命的到来,传统制造业不断向着智能制造方向转变升级,其生产规模日益扩大,工艺流程也愈发复杂,对工业过程的状态监测提出了更高要求。关键质量变量的检测是过程监测的关键内容,对确保工业过程安全平稳运行、保障产品质量以及降低能源消耗等方面具有至关重要的作用。因此,软测量作为一种对难以直接测量的关键质量变量进行估计的有效手段,成为了工业建模领域的研究热点。同时,随着传感技术的发展,大量过程数据得以被采集和存储,使数据驱动的软测量方法变得更加可行有效。然而,工业过程数据往往具有非线性、多模态和动态性等复杂特性,给建模带来了困难。如何充分挖掘这些数据中的有效信息,对关键质量变量进行预测,成为了软测量建模领域亟需解决的问题。与此同时,深度学习方法正在蓬勃发展,已经被逐渐应用于各个领域。考虑到其强大的复杂数据表征和学习能力,本文针对流程工业过程中的非线性、多模态特性、动态性以及有标签样本稀少等问题,开展了基于变分自编码器的复杂工业过程软测量建模研究,文章的主要研究内容有以下几个部分:（1）针对工业过程中的非线性问题,提出了基于信息分离变分自编码器回归模型的软测量建模方法。信息分离变分自编码器回归模型将潜在空间分离为输出无关和输出相关两个子空间,并从输入输出中提取相应的先验信息,引导模型通过非线性变换从输入中分别提取输出无关潜在变量和输出相关潜在变量,促使输出相关潜在变量中凝聚更多与输出质量变量高度相关的非线性特征并用其进行回归建模,从而提升算法对复杂非线性过程的预测精度。（2）针对工业过程中存在的非线性以及多模态特性问题,提出了基于混合变分自编码器回归模型的软测量建模方法。混合变分自编码器回归模型使用高斯混合模型思想对潜在空间进行描述以表示过程中的多个模态,并通过非线性变换将输入数据投射到潜在空间,学习每个模态下数据的特征表示,同时对输出质量变量进行回归建模,有效提升了对非线性多模态过程的预测性能。进一步地,针对过程数据中存在大量无标签数据和有限有标签数据的实际问题,在上述模型的基础上提出了半监督混合变分自编码器回归模型,充分利用无标签数据中的过程信息,提升算法在半监督场景下的预测性能。（3）进一步针对复杂工业过程具有动态特性的问题,提出了基于动态混合变分自编码器回归模型的软测量建模方法。通过两层潜在变量对复杂过程数据进行建模,一层潜在变量借助高斯混合模型思想描述数据序列整体的模态信息,一层潜在变量通过引入循环神经网络描述序列中各数据之间的内在关联动态信息,进一步提高了模型对复杂工业过程的建模能力以及质量变量预报能力。另外,针对半监督数据场景,提出了相应的半监督拓展模型以及半监督数据序列划分方式,充分利用有标签数据和无标签数据中蕴含的信息,提升了模型在有标签数据稀少情况下对关键质量变量的预测性能。