发酵工程是生化工程和现代生物技术及其产业化的基础，对微生物发酵过程控制的研究日益受到重视。随着对发酵过程微生物生长反应特性的进一步认识，以及生物传感技术、软测量技术的发展使相应过程参数的测量得到解决，微生物发酵过程控制新的理论、策略和方法已成为目前国内外研究的前沿和热点。发酵过程是一个多变量、非线性、时变性的过程，一些重要的过程变量不能在线测量，导致发酵过程的建模和控制更为复杂。模型预测控制是直接从工业过程控制中产生的一类基于模型预测、滚动优化并结合反馈校正的先进计算机优化控制方法。模型预测控制对模型的要求较低，对模型失配、非最小相位系统、不确定干扰的影响具有较强的鲁棒性，而且在线计算相对比较简单，适用于数字计算机控制。预测控制已在工业过程中获得了广泛应用，结合发酵过程自身的特点，对发酵过程预测控制方法的研究很有价值。支持向量机基于统计学习理论，借助最优化方法来解决机器学习问题的有力工具，具有较强的模型泛化能力，不会陷入局部极小点，加之较好的非线性处理能力等特点，为发酵过程建模问题提供了全新的方法。因此，结合发酵过程的特性，研究基于支持向量机的非线性预测控制方法，具有重要的理论意义和应用价值。 本文依托国家自然科学基金项目（20676031），在研究发酵过程控制现状的基础上，应用基于支持向量机的非线性预测控制方法对发酵过程有重要影响的过程参数实施控制。首先对支持向量机的性能与人工神经网络方法进行了性能对比研究，应用最小二乘支持向量机非线性逼近能力强、泛化能力强的特点进行非线性系统建模；通过对基于反馈线性化非线性预测控制方法的研究，构建一种基于最小二乘支持向量机辨识补偿的动态矩阵预测控制算法；通过对基于模型的非线性预测控制方法的研究，构建一种基于最小二乘支持向量机和差分进化算法的非线性预测控制算法。最后将两种算法应用于发酵过程仿真模型，验证了算法的可行性和有效性。实验结果表明，两种采用基于支持向量机的非线性预测控制系统可以有效的控制发酵过程参数，使参数达到满意的效果，为发酵过程化学参数的实时控制提供了新的途径。