论文的依托背景是本课题组承担的国家高技术研究发展计划项目——新型生物饲料关键技术研究与新产品的开发。 生物饲料就是采用有益微生物与饲料混合，经过发酵、干燥等工艺制成的含有活性有益菌的安全、无污染、高营养的优质饲料。β-甘露聚糖酶正是适合于在生物饲料中应用的性质优良的微生物。 我国酶发酵工程的研究起步较晚。由于缺乏对生化反应过程参数的快速测量、有效监控和优化控制技术，使得发酵产品成本高，操作费用大。为此，要对生化反应过程实行优化操作与控制，首先要解决生化反应过程参数的实时在线测量问题，特别是某些重要的生物参数的状态预估软测量技术。 支持向量回归机(SVR)是近两年研究较热的比较新颖的软测量技术之一。SVR采用结构风险最小化原则，建立在统计学习理论中的VC维、推广性的界等理论基础之上，本质是在回归模型的学习精度和泛化能力之间寻求最佳折衷。鉴于SVR的理论优势，本课题建立了针对β-甘露聚糖酶发酵过程产物浓度的SVR状态预估软测量模型。 考虑到SVR模型性能(学习精度和推广能力)的好坏很大程度上取决于其三个参数(ε、C、γ)的取值情况，特别是参数之间的相互影响关系，本课题研究采用粒子群(PSO)算法实现对参数(ε、C、γ)的同时寻优。PSO优化算法来源于对鸟群觅食行为的研究，是一种生物进化算法，原理简单易于实现，对处理高维优化问题也有较强的优势。仿真结果表明：采用PSO算法可以同时寻到(ε、C、γ)的最优值，以此最优参数建立的β-甘露聚糖酶发酵过程产物浓度的SVR预估模型具有很强的学习精度和良好的预测能力。 作为工业应用，把由PSO寻优参数得到的β-甘露聚糖酶发酵过程产物浓度的SVR预估模型用于对其的补料分批发酵过程的优化控制当中，可以得到其发酵过程中溶氧(DO)值和补料速率的最优曲线。由发酵小试实验结果可以看出：控制发酵环境条件按照得到的最优曲线进行补料优化发酵，酶产物浓度总体可提高达15％，具有较好的实际应用价值。