化工过程的建模是研究化工过程的重要手段，也是进行过程仿真、优化以及控制的基础。机理建模方法通常是通过过程机理分析，采用一定的假设和简化，得出一系列数学方程来描述过程。但化工过程常常是机理复杂，影响因素繁多，高度非线性，很难用机理模型来描述。因此，这时需要采取经验建模方法。人工神经元网络是一种处理非线性问题的良好经验建模方法，已被应用于不少化工问题中，但是由于其理论基于经验风险最小化原则，难免会出现过拟和、陷入局部最小等问题。基于统计学习理论的支持向量机是一种新型的学习方法，它遵照结构风险最小化原则，克服了以往神经元网络等方法的固有特点，大大提高了模型的泛化能力。本文详细研究了支持向量机在化工过程建模中的应用。 本文首先介绍了有关过程建模的知识，然后评述了人工神经元网络的特点、结构和实现，在分析了其优缺点的基础上，引入了支持向量机方法，详尽地介绍了其理论基础、计算步骤和优化算法。 本文的研究重点在于支持向量机方法在化工过程中的应用。用支持向量机为柠檬酸发酵过程建立了最终酸度的模型，分析了模型参数对模型性能的影响，并与传统的人工神经元网络方法做了比较；用支持向量机为间歇式酒精发酵过程的菌体浓度建立了状态估计模型；结合动力学模型对机理的反映和支持向量机较强的泛化能力，提出了串连和串并联两种混合支持向量机模型，并与单一的支持向量机模型、单一的动力学模型和混合人工神经元网络模型进行了比较。实验结果表明支持向量机方法是一种高效可行的发酵过程建模方法，提出的混合支持向量机模型性能优良。 本文最后对所做的工作进行了总结，并对以后支持向量机在这一领域的应用进行了展望。