软测量技术是当今过程控制领域的热点研究领域之一,在工业过程控制中已经得到了广泛的应用。软测量技术通过间接测量的方法,实现了对那些很难甚至是无法使用测量设备直接测量的重要过程控制变量的监控,从而保证了产品的质量以及生产的安全。软测量技术的核心问题是建立优质的软测量数学模型。基于数据挖掘技术的机器学习是当代人工智能技术中的重要方面。统计学习理论拥有一套很完善、坚实的理论基础,它专门用于研究小样本情况下机器学习规律的,并提供了一个统一的框架来解决有限样本的学习问题。在统计学习理论的基础上发展起来的支持向量机理论是一种新的通用机器学习方法,它能够很好的解决小样本情况下的机器学习问题。与其它的机器学习方法相比,支持向量机能够避免陷入局部最小点以及过学习,同时还有更好的模型泛化能力。本论文就上面所述主要内容进行了深入的研究,研究具体内容和研究结果如下:1.在深入了解支持向量机的基本原理和支持向量机基本算法的基础上,选择了一种控制性能优越的最小二乘支持向量机算法。最小二乘支持向量机算法由于约束条件由原来的非线性约束转变为线性约束,不仅拥有经典支持向量机算法避免陷入局部最小点、避免过学习等优点,还拥有求解简单、避免维数灾难等优点。2.在分析和了解工业过程软测量原理的基础上,将最小二乘支持向量机算法引入到污水处理重要污水出水指标软测量技术中。针对污水处理重要污水出水指标监控过程中,传统的化学试剂方法测试过程复杂、耗时太多、二次污染严重等问题,探讨了最小二乘支持向量机在污水处理重要污水出水指标预测的应用。通过对仿真结果分析,可以看出该方法精度高、泛化能力强,取得了预期的预测效果。3.在研究了标准的网格法进行参数寻优的基础上,将智能算法中的遗传算法、粒子群算法引入到参数寻优。仿真结果表明智能算法能比较高效、快速的完成对软测量模型参数的大范围搜索,而这3种方法都能够搜寻到理想的模型参数。4.在标准离线软测量技术的基础上,将实时在线方法引入到软测量技术中,实现了软测量模型的实时在线更新。总之,本论文以支持向量机和其在软测量技术中的应用为主要研究内容,具体对支持向量机算法、软测量建模、参数寻优、软测量模型实时在线更新等进行了深入研究,取得了一定的成果。