方法能构造出性能良好的软仪表。但是对于机理研究不充分、尚不完全清楚的复杂工业过程，难以建立合适的机理模型。
2．基于回归分析的软测量建模 经典的回归分析是一种建模的基本方法，应用范围相当广泛。以最小二乘法原理为基础的回归技术目前已相当成熟，常用于线性模型的拟合。对于辅助变量较多的情况，通常要借助机理分析，首先获得模型各变量组合的大致框架，然后再采用逐步回归方法获得软测量模型。为简化模型，也可采用主元回归分析法（Principal Component Regression，PCR）和部分最小二乘回归法（Partial-Least-Squares Regression，PLSR）等方法。基于回归分析的软测量建模方法简单实用，但需要足够有效的样本数据，对测量误差较为敏感。
3．基于人工神经网络的软测量建模
基于人工神经网络（Artificial Neural Network，ANN）的软测量建模方法是近年来研究最多、发展很快和应用范围很广泛的一种软测量建模方法。能适用于高度非线性和严重不确定性系统，因此它为解决复杂系统过程参数的软测量问题提供了一条有效途径。采用人工神经网络进行软测量建模有两种形式：一种是利用人工神经网络直接建模，用神经网络来代替常规的数学模型描述辅助变量和主导变量间的关系，完成由可测信息空间到主导变量的映射；另一种是与常规模型相结合，用神经网络来估计常规模型的模型参数，进而实现软测量。
4．基于模式识别的软测量建模
这种软测量建模方法是采用模式识别的方法对工业过程的操作数据进行处理，从中提取系统的特征，构成以模式描述分类为基础的模式识别模型。基于模式识别方法建立的软测量模型与传统的数学模型不同，它是一种以系统的输入、输出数据为基础，通过对系统特征提取而构成的模式描述模型。该方法的优势在于它适用于缺乏系统先验知识的场合，可利用日常操作数据来实现软测量建模。在实际应用中，这种软测量建模方法常常和人工神经网络以及模糊技术等技术结合在一起使用。
5．基于模糊数学的软测量建模
模糊数学模仿人脑逻辑思维特点，是处理复杂系统的一种有效手段，在过程软测量建模中也得到了应用。基于模糊数学软测量模型是一种知识性模型。该法特别适合应用于复杂工业过程中被测对象呈现亦此亦彼的不确定性，难以用常规数学定量描述的场合。实际应用中常将模糊技术和其他人工智能技术相结合，例如模糊数学和人工神经网络相结合构成模糊神经网络，将模糊数学和模式识别相结合构成模糊模式识别，这样可互相取长补短以提高软仪表的效能。
6．基于支持向量机（SVMs）的方法
建立在统计学习理论基础上的支持向量机（SVMs- Support Vector Machines）业已成为当前机器学习领域的一个研究热点。支持向量机采用结构风险最小化准则，在有限样本情况下，得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优值，解决了一般学习方法难以解决的问题，如神经网络结构选择问题和模型学习问题等，从而提高了模型的泛化能力。另外，支持向量机把机器学习问题归结为一个二次规划问题，因而得到的最优解不仅是全局最优解，而且具有唯一性。由于软测量建模与一般数据回归问题之间存在着共性，支持向量机方法应用于回归估计问题取得不错的效果应用，也促使人们把眼光投向工程应用领域，提出了建立基于支持向量机的软测量建模方法。
