温度的监控与测量在工业生产和科学研究等众多领域都发挥着重要的作用，传统的测温方法是使用热电阻等传感器式的接触法测量，虽然这种方法价格低廉、操作简便，但是对高温与运动的物体的温度测量却是非常不易，而且影响被测物体温度场分布，自身也易腐蚀和损耗。正由于以上等种种因素对传统测温在实际运用的限制，所以针对非接触式测温方法的研究显得尤为重要。支持向量机(SVM)是以统计学习理论为基础的一种新型机器学习算法，具有非常好的的非线性函数拟合和泛化能力，已经广泛的应用于智能建模与系统辨识等领域。本文尝试将支持向量机应用到红外辐射测温系统建模中，为在复杂的工业环境下高温测量问题提供了一种新的可行性方法，具体研究内容如下。(1)阐述了辐射测温的目的及意义，简要说明了辐射测温技术的发展概况，分析并提出目前辐射测温技术存在的一些共性问题与缺陷。然后对目前辐射测温主要方法作了概要式的说明，并详细介绍其中的诸多比色测温方法原理、优势与不足，继而论述了人工智能在辐射测温应用的可行性。(2)讨论支持向量机的基本理论，深入研究了支持向量机理论在系统辨识领域下的回归估计模型的具体算法。并在对复杂工业环境中高温测量问题的进行了研究，发现可以利用高温物体的颜色与温度之间的非线性函数关系建立回归拟合模型。(3)进一步深入对支持向量回归机原理与结构参数选择的研究。首先提出将分类问题中SOR方法推广到回归问题当中，对传统的支持向量回归算法加以改进，改进后的算法不但预测精度和泛化能力都很高，而且其算法需要的支持向量更少，学习速度更快。在研究模型参数对支持向量机性能影响的同时，将遗传算法理论应用到参数选取当中。最后进行一系列的实验及仿真，验证基于SVM三通道辐射测温方法的可行性。