软测量技术在工业过程中受到学术界和工业界广泛重视。高斯过程回归方法（Gaussian process regression, GPR）近年来已越来越多地被应用在软测量建模领域。GPR是近几年才进入研究人员视野的一种基于核函数的机器学习方法。该方法首先假定过程的输入输出关系是符合先验高斯分布的，再通过极大似然法快速确定模型的参数，给出预测结果同时也给出预测结果精度。与人工神经网络、支持向量机等方法相比，GPR 具有容易实现、超参数自适应快速获取、非参数推断灵活以及输出具有概率意义等优点。 本书介绍了作者及其团队针对发酵过程，采用GPR进行软测量建模研究的最新成果。研究成果侧重于GPR与主元分析方法、聚类算法、多模型建模策略、动态模型建模策略、即时学习等方法和策略相结合的建模方法。