在化工生产中,软测量技术被广泛用于估计那些由于传感技术或经济成本的限制而不能直接测量得到,却又直接影响化工生产的关键参数。基于统计学习理论的支持向量机是一种应用广泛的软测量建模方法,它采用结构风险最小化原则,为解决小样本、非线性、高维等学习问题提供了有效的解决方法。由于实际应用的复杂性,单一的支持向量机很难满足实际工业应用精度的要求,本文针对支持向量机的理论和应用做了如下研究:(1)采用支持向量机建立双酚A结晶反应过程的软测量模型,对核函数采用了网格搜索法,从而得到基于全局最优的核参数和惩罚系数的参数组合。仿真结果显示了该方法能够找到最优的参数组合。(2) K近邻方法简单直观,但样本数据过大时则计算耗时。针对该问题,通过贝叶斯方法进行分类,运用K近邻方法时,标记各子包围盒中所包含的样本点数,运用简单运算和小部分距离计算结合的方法,尽快优先找到最近邻的K个距离,得到支持向量机子模型的组合参数,进而建立起基于支持向量机的多模型。实际仿真结果的数据表明:该方法可以有效减少K近邻的距离计算数目。(3)模糊C均值算法及改变度量方式得到的聚类算法都要求隶属度归一化,当数据样本中包含噪音和孤立点的时候,聚类效果不理想,很可能的原因是噪音和孤立点得到了较大的隶属度。基于改进隶属度约束条件,放松了归一化条件,产生了新的聚类算法。仿真结果表明改进算法得到了较好的建模效果。