随着气敏传感器在日常生活、工农业自动化等领域的广泛应用，人们对传感器的准确度、稳定性和抗干扰性有了越来越高的要求，如何从理论、实践等方面来设计低成本、高精度的气敏传感器就引起了广泛关注。鉴于支持向量回归在小样本数据预测中实现的可能性，本文将SVR模型应用到气敏传感器的非线性补偿中，主要进行工作如下：　　首先，在统计学习和支持向量机理论知识充分理解的基础上，课题中采用SMO算法作为求解支持向量回归二次规划问题的核心算法，为了验证支持向量回归在小样本数据下的逼近和预测能力，实验通过对不同的函数曲线采用SVR和径向基神经网络模型分别训练，结果表明了SVR模型有更高的精度、效率以及稳定性。其次，通过对影响支持向量回归性能中的参数进行分析，选择恰当的惩罚因子C值和核参数g值显得尤其重要。对以往人们在参数优化过程所选取的方法研究并结合实际应用方向，本文将群智能算法引入到参数优化过程中，对以遗传算法和粒子群算法为代表的群智能算法进行实例仿真，通过对寻优过程的分析和模拟函数的实验结果对比，表明粒子群优化算法比遗传算法在参数寻优过程中速度更快捷，结果更优秀。　　在对小样本数据进行函数逼近得出相关结论的基础上，将优化后的SVR模型应用于气敏传感器的非线性补偿领域，来对有限的样本数据进行预测，并提出一种改进的粒子群算法，通过对学习因子采用动态调整策略来实现回归参数的优化选择。用改进PSO优化的SVR与LSSVR模型、RBF神经网络对气敏传感器数据进行预测，通过反复的实验结果表明，改进后的PSO-SVR优化算法方法比LSSVR和RBF神经网络模型预测结果更精确，在误差和时间效率上均得到了改善，验证了将该支持向量回归模型应用到气敏传感器非线性补偿领域的可行性。