支持向量机广泛地应用于分类和回归问题,其参数的选择对分类和回归的效果有较大的影响,目前还没有确定的理论指导参数的选择。而遗传算法是模拟自然界中的遗传和进化现象而形成的一种自适应全局搜索算法,粒子群算法是基于群体智能的启发式全局搜索算法,遗传算法和粒子群算法都是广泛运用的智能优化算法,本文分别利用遗传算法和粒子群算法研究支持向量机参数的选择问题,避免实际应用中因参数选择不当导致实验效果不理想,本文主要工作如下：(1)研究利用遗传算法来优化ε支持向量回归机的惩罚参数C,径向基核函数参数σ以及损失函数参数ε,并进行仿真实验,并与以往只是优化ε支持向量回归机的惩罚参数C,径向基核函数参数σ两个参数做比较,前者提高了回归预测的精度。(2)研究利用粒子群算法来优化ε支持向量回归机的惩罚参数C,径向基核函数参数σ以及损失函数ε,并进行仿真实验。仿真实验采取同一样本集：UCI的混凝土抗压强度,仿真实验结果显示基于遗传算法的参数优化算法比基于粒子群的参数优化取得了更好的预测效果,而基于粒子群的参数优化算法能够较快地收敛。并与传统的非启发式的网格搜索寻优算法进行比较,利用遗传算法和粒子群算法寻优显著地提高了预测的精度。支持向量机参数的选择对实际应用有重大的影响,仿真实验显示选择参数优化算法对回归预测的精度有了显著的提高,所以针对具体的实际问题,应考虑多种方法选择合适的支持向量机参数进而提高推广能力。