软传感器作为一种重要的智能检测技术，已广泛应用于现代加工行业，实现对产品质量的有效监测和预测。然而，在实际工业过程建模中，模型输入和结构的冗余通常会导致建模复杂性增加和模型性能下降。在本研究中，提出了一种基于双非负绞杀（DNNG）方法的长短期记忆（LSTM）软传感器输入变量选择和结构优化算法。首先，使用过程数据集构建训练有素的初始LSTM模型，以捕捉工业过程的时间动态行为。其次，将DNNG算法集成到LSTM中，以减少输入变量和隐藏节点的冗余。该策略有效地为模型选择了最一致的输入变量，同时通过消除冗余的递归隐藏节点来简化LSTM结构，以降低模型过拟合的风险。此外，通过将网格搜索与块交叉验证相结合来确定模型的超参数。最后，通过数值算例将所开发的算法与其他最先进的算法进行了比较，并用于预测燃煤电厂脱硫系统净烟气排放中的SO2浓度。对比结果表明，该算法有效地消除了冗余变量，简化了模型结构，同时比其他算法具有更好的预测性能。
