由于工业过程的复杂性,许多重要的过程变量受限于当前的技术或者经济条件难以实现实时在线测量。为解决此类问题,软测量技术逐渐发展了起来。其基本思想为根据与待测变量相关的容易测量的过程辅助变量来估计难以直接测量的过程变量。由此,本文提出了两种基于模糊聚类的多模型软测量建模方法,并分别通过MG混沌时间序列和Box-Jenkins锅炉数据进行了验证,最后将模型应用于火电厂电站锅炉SCR入口NOx预估,取得了较好的效果。论文的主要工作有以下几个方面。(1)首先介绍了软测量技术产生的背景以及其研究现状,其次分析了软测量建模技术的基本思想和基本步骤,并简单介绍了软测量建模常用的几种建模方法。(2)详细介绍了软测量建模技术常用的几种建模方法,如主元分析、偏最小二乘法、人工神经网络、支持向量机等方法。在介绍其基本原理的基础上,对其优缺点进行了分析。(3)介绍了模糊理论以及几种模糊聚类算法,提出了一种基于自适应模糊聚类的软测量方法。以T-S模型结构为基础,首先将GK聚类算法设计成为递推形式,然后根据一定的准则实现自适应聚类,以此实现模型前件参数辨识;然后利用递推最小二乘算法辨识模型后见参数,最后集成各子模型输出得到最终结果。以Box-Jenkins锅炉数据进行建模预测并与各个文献结果相对比,验证了模型的有效性。(4)介绍了简化T-S模型的基本思想,并建立了基于简化T-S模型的软测量模型。简化T-S模型避免了传统T-S模型辨识的复杂性,使得模型更进一步的简化,且其精度可达到可接受的范围。本文首先以减法聚类算法的递推形式对输入数据进行在线聚类,并实时更新聚类中心参数,以此得到模型的前件参数;然后以全局递推最小二乘算法辨识子模型参数,得到模型后件参数,最后集成各子模型的输出得到最终综合输出。以MG混沌时间序列作为验证实例,验证了模型的有效性,并应用于电站锅炉SCR入口NOx预估,取得了较好的效果。