En los procesos industriales, los cambios dinámicos son uno de los factores que limitan el rendimiento de los modelos de sensores blandos. Mientras tanto, la inconsistencia de las tasas de muestreo de los sensores a menudo conduce al problema de desajuste entre las variables del proceso y las variables de calidad. Este artículo propone un método de modelado de sensor blando semisupervisado basado en la convolución de muestras y redes interactivas (SCINet). Para extraer la información dinámica de los procesos industriales de manera más completa, se diseñó un extractor de características dinámicas de series temporales no supervisado basado en SCINet y un autoencoder, y el extractor de características se entrenó utilizando datos completos. Las características dinámicas codificadas por el extractor de características dinámicas se transfirieron al modelo de conjunto eXtreme Gradient Boosting (XGBoost) con una fuerte capacidad de generalización. Se estableció el modelo de medición suave semisupervisado SSCI-XGBoost. La efectividad de la transferencia de características dinámicas y la mejora del rendimiento del modelo se verificaron en el conjunto de datos del proceso industrial.