支持向量机是机器学习领域的一个研究热点。支持向量机是在统计学习理论基础上发展起来的一种通用机器学习算法。支持向量机以VC维理论以及结构风险最小化原则为基础,具有全局优化、适应性强、推广能力好等优点,得到了广泛的关注和应用。本文在前人的基础上,对支持向量机改进与应用进行了研究,主要工作如下：(1)提出了一种加权临近支持向量机,能克服噪声和孤立点所带来的不良影响,并保留了临近支持向量机训练速度快的优点。使用测试函数对该算法进行测试,并与临近支持向量机进行对比,加权临近支持向量机能有效的减小噪声和孤立点对回归精度的影响。将加权临近支持向量机用于CSTR系统建模,所建立的模型具有良好的预测效果。(2)在加权临近支持向量机的基础上,提出了一种在线加权临近支持向量机,实验结果表明该算法具有良好的在线学习性能。(3)提出了一种基于变种群规模DNA遗传算法的支持向量机,用于支持向量机参数优化。通过对测试函数进行拟合,并与其他优化算法进行对比,验证了该算法的有效性。分别将基于变种群规模DNA遗传算法的支持向量机和加权临近支持向量机用于FCCU主分馏塔建模和非线性系统逆模控制,验证了所提方法的有效性。