舰船的蒸汽动力装置是舰船的主要设备，在其运行过程中，负荷变化频繁、幅度大，对系统的响应性能要求高，而其中的机炉系统控制则是蒸汽动力装置控制中的一个难点。由于其具有非线性、强耦合、参数时变、大迟延等特性，采用常规的控制策略往往不能满足系统的要求。本文在分析了机炉系统动态特性的基础上，采用近年来兴起的支持向量机算法，对其进行数学建模及控制方法研究。本文首先介绍了支持向量机的线性及非线性回归理论，通过对支持向量机方法与相对应的神经网络方法进行比较分析，验证了支持向量机在非线性系统辨识方面的优越性能。其次，研究了支持向量机算法的实现问题，采用求解分类问题的序贯最小优化算法，对回归问题的序贯最小优化算法进行了推证。同时针对动态系统在线辨识过程中，每次采样导致的训练样本集数据的增加，需要对模型进行更新的问题，进行了支持向量机回归在线训练算法的实现问题研究，提出了基于滚动时间窗的增量式支持向量机在线学习算法。该算法大大减少了支持向量机的训练时间，并且提高了辨识的精度。进行了采用不同类型核函数的支持向量机对非线性系统进行辨识的研究，给出了核函数类型选择的基本方法。重点讨论以径向基函数为代表的核函数参数确定问题。在分析支持向量机回归算法中各参数对其性能影响的基础上，给出了确定遗传算法搜索空间的方法，利用遗传算法的全局搜索能力，提出了自动确定支持向量机参数的方法，为解决支持向量机参数自动优化问题提供了一条有效的途径。采用简化的机理分析方法，建立了机炉系统的动态数学模型，并对其动态特性进行分析研究。在分析传统机炉控制系统的两种基本方案——锅炉跟随系统及汽机跟随系统的基础上，给出了机炉协调控制的基本原则及结构。研究了支持向量机逆系统控制及算法实现问题，并针对船舶机炉系统的工况点发生变化和对象参数时变等情况，其动态特性呈出较大变化的问题，提出了一种支持向量机和模糊控制相结合的复合智能控制策略。该控制策略充分利用支持向量机简单高效的系统建模能力，并发挥了逆控制和模糊控制各自的优势。仿真实验表明，本论文提出的支持向量机复合智能控制策略能克服因辨识逆模型不精确引起的缺陷，并具有良好的控制性能。本论文在支持向量机训练算法、参数选择及控制算法等方面进行了较为深入的研究，取得了一些有益的成果。这些成果对支持向量机回归算法理论研究，特别是其在自动控制领域的应用起到了促进、丰富与深化的作用。