时变现象广泛存在于过程控制、航空航天、故障诊断等领域,由于时变系统的广泛性以及复杂性,时变系统的建模与在线校正问题已经成为研究的热点问题之一。目前普遍采用的建模算法在实际应用中存在一定的局限性,因为传统的定常建模方法建立在时不变或平稳过程的假设基础上,而现实中存在的系统总是呈现出各种各样的非平稳性和时变性,其中尤以参数慢时变系统为典型代表。因此本文在参阅大量相关文献的基础上,对参数慢时变系统建模方法进行了深入的研究。首先,介绍了时变系统的基本特性及其传统建模算法。在学习基本的建模方法的基础上,针对其的不足,将智能算法支持向量机引入其中。对基于统计学理论的支持向量机理论进行了系统的学习,并对支持向量机的去噪能力进行了探讨；然后,介绍了两种支持向量机的增量算法,即ZD-SVM和AO-SVM,并通过对上述两种方法的研究,分析了ZD-SVM和AO-SVM各自的优缺点,针对AO-SVM支持向量集为空、先进先出删除样本点策略以及算法的不稳定等问题,将AO-SVM和ZD-SVM相结合提出了利用矩阵运算将空集转变为非空集,有选择的先进先出删除样本点策略以及错点剔除重新运算等改进方法；然后,针对支持向量机增量算法不断在线学习建模策略所存在的浪费资源、误学习等问题,应用主元分析(PCA)监测理论对过程特性进行监测,再利用增量支持向量机进行在线学习从而实现了在线校正方法解决上述问题。最后,应用小波去噪解决了由于大噪声样本建模而导致的PCA监测能力丢失问题,并最终提出对于存在噪声的慢时变系统在线校正PCA-SVM方法。通过仿真,验证了本文提出的PCA-SVM建模与在线校正算法的有效性。