化学计量学是一门结合了数学、统计学和计算机科学的新兴交叉学科,它对化学实验数据具有很强的处理能力和挖掘能力。作为一种近年来正逐步得以广泛应用的新兴计量学方法,支持向量机(support vector machine, SVM)方法,是一种基于结构风险最小化的新算法。SVM不同于采用经验误差最小化标准的、以误差反向传播(back propagation neural networks, BPN)算法为代表的人工神经网络方法,它可以在很大程度上避免BPN算法使用过程中存在的“过学习(over-fitting)”问题;通过选用不同的核函数可以寻找出空间最优平面,以期避免信息的丢失,获得更为可靠、更为准确的结果。SVM方法正在包括多元分辨和校正分析和模式分类研究等领域中逐步得以应用,也有望在数据处理和分析任务愈来愈繁重的现代分析科学中发挥它的积极作用。本论文就从多元混合体系的同时定量分析,定量构效研究和模式识别研究三个方面对支持向量机进行了应用研究,具体内容如下:对于多元混合体系的定量分析,常需要花费大量的时间和精力在多组分的预分离,借助化学计量学手段则可较简单的实现复杂多组分的同时直接测定。我们将支持向量机应用于处理混合重金属离子的紫外-可见分光光度图谱、芦丁和抗坏血酸混合体系的紫外-可见分光光度图谱及微分脉冲伏安图谱以及多种混合氨基酸的拉曼图谱。实验和计算表明,支持向量机方法能很好地提取从混合图谱中得到的信息进行解析,建模和预报的结果较BPN更为精确。原子光谱的电子组态通常是根据谱线的能级、强度、同位素位移、塞曼效应等测量数据进行确定,或者应用量子理论计算来指认。但由于光谱的复杂性,也有某些高激发态的原子光谱所属的电子组态难于确定。虽然已有学者采用传统的化学计量学方法进行了初步研究,但仍存在许多未知样本无法预报和预报模糊的情况。因此,尝试采用支持向量机预报Cm II、Pu I、U I的未知组态。计算结果表明,相对传统化学模式识别方法,支持向量机更全面、更准确地预报了未知组态;同时在各个方法的预报结果对比后,加强说明了支持向量机的可信性。氨基酸(amino acid)环保无毒害,具有抗缓蚀效能,使其成为理想的抗缓蚀剂,但其缓蚀效率的原理通常是通过经验总结的方式来进行解释的,鉴于化学计量学在定量构校中的广泛应用,采用支持向量机方法建立了氨基酸的缓蚀效率与其物性参数和结构量化参数间的定量关系,从而为探索氨基酸的缓蚀机理提供一种思路。