在工业领域中，随着软测量技术的广泛应用，软测量建模方法的快速发展，有效地应对了未来过程工业中大量过程变量和复杂工业环境带来的挑战。为了提升软测量模型的预测精度，如何在因为工业环境恶劣导致软测量模型训练数据集不足的情况下，通过有效的数据补充方法来补充软测量建模数据集是一个关键问题。为此，本文针对训练数据集不足提出了一种基于SVAE‑WGAN的过程工业软测量数据补充方法。首先，将变分自编码器进行堆叠来提取深层次特征。然后，将堆叠的变分自编码器与Wasserstein生成式对抗网络结合建立一种新的生成模型。最后，采用工业过程数据集训练优化该模型，并通过指标MSE、RMSE和MAE等来评价该模型。以工业蒸汽量数据集为例，在不同的参数下进行大量实验，以此验证该模型生成数据的有效性。仿真结果表明，SVAE‑WGAN生成方法与目前性能最好的VAE‑WGAN方法相比有着更加显著的改进。