为了解决间歇过程的复杂性和多变性导致的质量预测精度不高的问题，提出了一种基于改进的注意力机制（PCAM）-时间卷积网络（TCN）-双向长短期记忆网络（BiLSTM）的间歇过程质量预测方法。首先使用核熵成分分析（KECA）方法对间歇过程数据降维，以提升输入数据后续预测过程的效率；然后使用TCN网络提取数据的特征信息，利用改进的位置注意力机制和通道注意力机制对编码-解码器结构的双层BiLSTM网络参数进行自适应学习，并根据输入与输出的相关性强弱为输入特征分配不同权重，从而保留所有输入的必要信息，降低次要信息对预测的干扰；最后采用交叉验证算法对所提模型进行超参数寻优，建立了PCAM-TCN-BiLSTM预测模型。在青霉素发酵仿真平台上对所提模型的预测性能进行了实验验证，结果表明：与其他模型相比，所提模型的预测值与真实值之间的差异较小，各项评价指标表现最佳，对底物浓度、青霉素浓度、菌体浓度预测的均方根误差（RMSE）分别为0.009 2、0.034 6、0.023 2 g/L，平均绝对误差（MAE）分别为0.008 5、0.012 0、0.007 9 g/L，决定系数（R2）分别为0.998 7、0.992 3、0.991 5，表明所提模型的预测精度较高，预测性能较好。