准确获取在役起重机正常工作状态下的载荷谱是预测和评估起重机疲劳剩余寿命的必要条件，但由于起重机载荷的不确定性、多样性和随机性，以及现场实测环境的复杂性，导致起重机载荷谱数据获取仍然十分困难。为解决起重机载荷谱预测样本容量小和准确性低的问题，基于优化算法和机器学习技术，提出了一种改进的天牛须搜索算法（improved beetle antennae search, IBAS）优化最小二乘支持向量机（least square support vector machine, LSSVM）模型，建立IBAS-LSSVM载荷谱预测模型。在传统的天牛须搜索算法的基础上，通过反正切函数控制步长的更新，并设置能够跳出算法停滞的方法，避免算法陷入局部最优，提升了算法的全局寻优性能。以某型号通用桥式起重机为例，利用IBAS-LSSVM模型对起重机的小样本载荷谱进行回归预测和分析。结果表明，同其他回归预测模型相比，IBAS-LSSVM预测模型具有更高的预测精度、较快的收敛速度和更好的泛化性能，也避免了陷入局部极小值的问题，该方法对起重机载荷谱的回归预测和进一步的疲劳剩余寿命评估具有重要意义。