金属化薄膜电容器是轨道交通变流系统的重要元器件之一，精确预测其剩余寿命有助于优化变流系统的运行维护策略，降低系统运用成本，同时降低故障和突发事故发生所带来的损失。由于老化试验成本与时间的限制，当前的寿命预测存在数据样本数小、特征参数测量点少等问题，因此，本文采用能较好适应该类样本的支持向量回归（Support Vector Regression，SVR），并利用深度置信网络（Deep Belief Network，DBN）在未构建复杂且未知的经验退化函数下对电容量退化序列的特征进行深度提取，建立了融合DBN与“双通道”支持向量回归（Binary Support Vector Regression，BSVR）的预测模型，其中“第一通道”基于Linear核函数的SVR对序列实行多步递归预测（Recursive Multi-step Forecast Strategy，RMFS），随后将所获误差代入基于Gauss核函数的“第二通道”SVR完成误差补偿训练，较好地消除了实行RMFS时所造成的累积误差。就此，提出了基于特征提取与误差补偿的剩余寿命预测方法，并在老化试验下的金属化薄膜电容器电容量退化数据集上对所提方法进行仿真实验，实验结果表明，该方法在不同预测起点的平均预测误差仅为7.08%，相比已有预测方法有效提升了对电容器剩余寿命的预测精度，增强了模型的可靠性和泛化能力。