多样性的化工产品市场需求,导致多工况过程特性普遍存在于化工生产过程中。多工况过程特性对模型性能的影响愈加不容忽视,特别是大多数工况过程因无法获取充足的标签数据而难以建立稳健的软测量预测模型,严重影响了生产过程的平稳运行以及产品质量。考虑到迁移学习建模方法还很少应用于化工多工况过程建模领域,利用迁移学习方法解决多工况过程建模问题,具有重要的研究价值和意义。本文首先综述了多工况过程建模所存在的问题以及现存多工况建模方法的局限性,并提出利用迁移学习建模方法以解决多工况过程建模问题。针对目标域工况拥有少量标签数据,提出一种参数迁移建模方法以实现对目标域工况准确预测。针对不同工况间具有较大的数据分布差异,提出一种对抗迁移建模方法为目标域工况建立良好的预测模型。最后,为有效结合迁移学习方法和即时学习方法两者的优势,提出一种即时迁移建模方法实现对目标域工况的准确预测。本文主要工作和创新点如下:(1)针对目标域工况仅拥有少量标签数据无法建立良好的预测模型,提出一种基于域适应极限学习机的参数迁移建模方法,并结合快速留一交叉验证方法对模型参数进行有效选择,以实现解决多工况过程建模问题。从实验结果验证了所提方法的有效性,能够有效提升传统建模方法的预测性能。(2)针对参数迁移建模方法无法适用于具有较大数据分布差异的多工况建模问题,有效解决不同工况间的数据分布差异性,提出一种基于循环特征变换对抗网络的对抗迁移建模方法。经仿真数据和工业数据两方面验证了所提方法不仅能够提升传统建模方法的预测性能,且能够进一步提升参数迁移建模方法的预测性能。(3)在解决多工况过程建模问题时,通过挑选高相似样本的即时学习建模方法能够比传统建模方法具有更好的预测效果,但仍受到工况间的数据分布差异性影响造成预测性能不高的问题,以及迁移建模方法也不具有自适应调整能力。将迁移学习建模方法与即时学习建模方法相结合,提出一种即时迁移建模方法以解决多工况过程建模问题。从实验结果验证了所提方法的有效性,在不使用目标域工况中标签数据的情况下,能够进一步提升模型的预测能力。