随着工业自动化水平的提升和工业规模的扩大,整套工业生产系统中涉及的设备、部件众多,其中包含的变量测点往往成百上千。为了保障生产安全,同时对工业过程实施闭环反馈,需要对众多的变量测点实时测量与在线监测。由于部分变量难以通过传统硬件传感器测量,甚至无法测量,因此利用易测量变量对难测量变量预测的软测量方法逐渐得到广泛关注与研究,成为一种有效的测量方式。目前,多数软测量研究基于数据充足、样本完整的理想数据构成,而在一些实际的复杂工业场景下,数据构成往往存在数据不足、变量缺失等情况,同时工业过程通常具有明显的时序特性,如何在复杂工业场景下合理利用特定的数据结构建立软测量模型,并对时序特性有效挖掘与融入,是具有挑战性的研究,也具有实际应用价值。因此,本文针对多质量变量、半监督和多速率三种复杂工业场景,研究在这三种复杂工业场景下的时序特性挖掘与软测量建模方法,通过对每种场景下数据结构的合理利用,充分发挥数据信息,并对过程的时序特性有效解析融合,从而解决在复杂工业场景下进行软测量建模时难以有效挖掘过程时序特性的问题,为过程监测与闭环反馈提供可靠的感知基础。本文具体研究内容如下:（1）多质量变量软测量场景下,现有方法大多并未对多质量变量间的空间耦合关系进行显式考虑,也无法与过程的时序关系融合建立软测量模型。因此,提出了一种基于图卷积神经网络的多质量变量软测量建模方法。该方法设计了多通道结构对应于多种质量变量,首先利用长短期记忆网络在每个通道内提取对应于不同质量变量的时序特征;再基于多质量变量间的耦合空间关系采用跨通道图卷积运算融合得到时空特征;进而用于每种质量变量的预测。该方法能够有效挖掘多质量变量间的空间耦合信息,同时与过程时序特性相融合,实现时空协同的多质量变量软测量建模。（2）半监督软测量场景下,现有方法在引入无标签信息时未对过程时序特性充分考量利用,同时异常样本的信息未被挖掘利用。因此,提出了一种基于时序一致性和对比学习的半监督软测量建模方法。该方法通过标签分支和特征分支的设计分别输出标签和特征,标签分支用于对有标签和无标签样本的标签输出进行约束学习,其中针对无标签样本设计了一致性正则项和时序一致性正则项两种适用于时序特性的正则项损失;特征分支采用对比学习的理念将异常样本的分布信息作为正则项信息引入,用于对正常样本的分布进行约束。该方法能够有效利用无标签样本的时序信息,对过程时序性考量利用,同时对异常样本信息进行挖掘,实现对异常鲁棒的半监督软测量建模。（3）多速率软测量场景下,由于过程变量的采样速率不一致,现有方法大都难以对不同采样间隔中挖掘的时序特性统一融合建模。因此,提出了一种基于时钟循环神经网络的多速率软测量建模方法。该方法首先将隐含层神经元分组对应于不同采样速率的过程变量组,再根据每一时刻过程变量的采集情况分组更新隐含层神经元。该方法通过隐含层神经元分组和时钟更新策略能够有效适配于多速率数据结构,对不同采样速率的过程变量信息采用不同组别的隐含层神经元进行学习,同时采用循环输入的结构能够对过程时序特性挖掘利用,实现了多速率数据结构的合理利用与时序特性融合。