中和过程是一个典型的非线性、纯时延过程，用常规的线性控制方法不可能对其进行有效控制。在实际工程中，对pH对象的控制常采用非线性增益补偿PID算法控制，但由于中和反应过程变化复杂，控制过程的模型极其难以确定，单一的非线性增益补偿PID控制算法无法对中和过程的变化做出快速的、精确的反应，控制过程中很容易引起振荡现象，难以实现系统的最优控制。文中介绍了国内具有代表性的几种中和过程pH控制策略，并总结前人关于废水处理中pH控制方法的研究。常见的pH控制思路是利用神经网络等理论实现过程建模，并结合预测控制等策略实现优化控制。神经网络是目前中和过程非线性系统建模中常用的一种建模方法，但本身具有一些难以克服的缺陷降低了它的发展和应用效果，因此寻求更适于中和过程非线性系统建立模型的理论及方法是十分必要的。支持向量机是在神经网络之后，建立在统计学习理论(SLT)基础上的一种新的机器学习技术。文中提出了基于支持向量机回归模型预测控制方案来实现中和过程的优化控制，详细介绍支持向量机回归理论及如何实现中和过程回归建模，通过仿真实验说明支持向量机理论能够很好解决小样本数据学习问题，更适合中和过程模型的建立。同时文中还介绍了基于支持向量机回归模型预测控制的实现及最小二乘滚动优化算法(LMF)，并通过某炼化厂现场控制效果图与非线性增益补偿PID算法控制效果进行分析比较。实践运用表明，支持向量机回归模型预测控制具有很好的动态特性和较强的鲁棒性。本文最后对全文所做的工作进行了总结，并提出了今后进一步研究所需要做的工作。