目前在工业上，对过程控制系统的要求越来越高。在许多过程控制场合中仍然存在一些很难进行在线测量的变量，比如与控制系统质量相关的变量。这些因素往往会导致出现较高的测量误差等一系列后果。本文研究了在基于PLS和RBF神经网络的基础上，建立了多种软测量模型，较好地解决了这类变量的估计和控制问题。论文主要研究内容如下：1.介绍了软测量技术的基本原理及发展现状，并着重介绍了软测量技术的建模方法以及研究现状。2.介绍了主元回归分析方法，重点阐述了PLS方法的基本原理，基本性质及算法的研究现状等。同时，也介绍了RBF神经网络的模型结构、训练算法以及优缺点等。为后面章节的应用打下理论基础。3.以一种新的推导方式，提出了RPLS算法。该算法一个优势在于不需要利用所有获得的数据，然后根据新的数据和旧的PLS模型参数来对模型进行更新，仿真结果表明该算法可以有效地更新模型以及有较好的预测精度。4.提出把二次多项式、RBF神经网络与PLS及递推的PLS算法相结合的方法，分别建立了QPLS、RBF-PLS以及RBF-RPLS软测量模型，并以两个非线性模型为研究对象，分别对所建立的各个软测量模型进行检验，最后对这些模型的预测效果进行了比较。5.介绍了工业煤气化技术及原理，采用基于RBF-RPLS算法的建模方法建立了在煤气化炉装置下合成气组分浓度的软测量模型，最后根据所建立的模型对各种合成气组分浓度进行预测，结果表明该模型的预测效果可以满足工业的许多生产要求。6.总结了本论文的研究成果，并进一步的探讨了相关研究的问题及未来。