目前,有杆泵采油是国内外油田广泛使用的人工举升方式。在有杆泵抽油井生产过程中,动态液位是一个重要的参数。一方面它对于掌握油井的生产状态,保持油井的供与排平衡,保证油井高产量、高泵效生产具有重要意义;另一方面,可以根据动态液位的变化,及时调整油井参数,从而保证油井稳定、安全地运行。针对目前动态液位的检测方法存在安全性低、实时性差、测量精度低等问题,本文将软测量技术引入到抽油井动态液位的检测中,建立基于最小二乘支持向量回归的动态液位的软测量模型,来实现对动态液位的实时检测。本文的主要工作内容归纳如下:首先,结合有杆泵采油过程中直接或间接得到的生产参数,本文采用灰色关联分析法确定辅助变量,并对数据进行预处理,针对单一核函数所建模型泛化性能低的问题,选取径向基核函数和多项式核函数构建成线性混合核函数,分别建立基于单一核函数和混合核函数的最小二乘支持向量回归的动态液位的软测量模型,通过仿真实验,证明了基于混合核函数的最小二乘支持向量回归模型具有更好的预测性能。其次,由于混合核函数所建的回归模型中,惩罚参数、径向基核函数参数以及混合权重系数对模型的学习能力、泛化能力有重要影响,因此,本文利用果蝇优化算法来优化模型中的参数。针对果蝇算法收敛速度慢、易陷入局部最优的问题,通过引入自适应步长和变异操作,对算法进行改进。将改进后的果蝇算法应用于动态液位的软测量模型中,并与遗传算法、粒子群算法以及基本果蝇算法进行对比,仿真验证了改进果蝇算法的有效性。最后,由于工况的不断变化,新的数据要不断加入,因此要对模型进行更新,建立能够反映当前状况的新模型,以确保模型的有效性。本文基于在线学习的最小二乘支持向量机算法,在其基础上进行了改进,将其应用到动态液位的软测量模型中,实现了模型的在线更新,进一步提高了模型的预测精度和鲁棒性。