甲醇是一种用途较为普遍的工业原料，在我国丰富的煤炭资源大背景下，煤制甲醇成为了制取甲醇的重要途径。煤制甲醇的核心技术工艺是甲醇合成，其特点是多变量、高度非线性且强耦合。受技术条件与资金短缺的双重限制，探寻一种有效的方法对甲醇合成过程参数进行控制势在必行。　　支持向量机因其能解决小样本、非线性及高维识别能力等诸多优点被应用于机器学习算法中。近几年，支持向量机在化工领域所起的作用也愈发重要，借助支持向量机算法进行甲醇转换率的预测即为本文研究的重点内容。　　本文主要做了以下研究工作：　　(1)核函数的选取与核参数的优化对支持向量机的性能起着至关重要的作用。通常选用学习能力较强的高斯核作为支持向量机的核函数。但单一核具有一定的局限性，不能对所有的问题都适用。为弥补单一核的这一不足，引入同时兼备较强学习能力和较高泛化能力的多核学习法。多核函数对处理多维数组、含有噪声或大样本数据的效果比单核法更好。经过试验数据对比，局部多核支持向量机可以利用一个控制模型选择合适的权重，并用两步法优化核参数与学习模型参数从而使模型精度更高更稳定，具备传统多核算法所不具备的优点。因此本文将局部多核算法引入到了甲醇合成工艺的粗甲醇转化率预测中。　　(2)由于建立的局部多核支持向量机模型存在误差，本文引入误差矫正法，提出了对粗甲醇转化率预测和误差预测同步双重预测法，利用预测误差模型对粗甲醇转化率的预测值进行校正，从而达到提高预测准确率的目的。　　(3)通过对甲醇合成工艺的深入研究，采用平均影响值法提取影响输出变量较大的输入变量，建立了基于误差矫正与局部多核算法相结合的支持向量机模型。　　研究结果表明，基于误差矫正的局部多核支持向量机粗甲醇转化率预测精度高于传统支持向量机模型。具有更高的准确性和可靠性，对指导实际生产和提高甲醇的质量具有重要意义。