实际生产过程中存在着大量与产品质量相关的重要变量难以在线测量，软测量技术是解决这一问题的有效途径，是进一步实现质量控制和过程优化的基础。支持向量机（Support Vecto r Machine,SVM）是基于统计学习理论的一种机器学习方法，能够较好的解决小样本、过学习、高维数、局部最小等问题，为软测量建模提供了一种可行的有效途径。本文主要研究了基于支持向量机的软测量建模技术，针对变量间非线性关系复杂的实际生产过程提出了基于SVM的软测量建模方法，并对两组典型仿真数据和一组实际数据进行了软测量建模研究。本论文的主要工作包括以下内容： 首先，介绍了PLS-SVR软测量建模方法的基本原理和实现步骤，该方法通过PLS提取过程的特征信息，用SVR拟合PLS内部关系，可以有效地提高模型的非线性处理能力；针对多数软测量建模方法只利用辅助变量二阶信息的问题，提出了基于KPCA-SVR的软测量建模方法，该方法通过对辅助变量核矩阵的特征分解和主元提取，隐含的利用了变量间的高阶信息；针对实际数据软测量建模中的二个问题提出了用KNN方法对变量进行近邻分析，KNN-KPCA-SVR建模方法是KPCA-SVR建模方法的推广，该方法进一步考虑了变量在时间上的相互关系。 其次，仿真研究建立基于以上三种方法的回归模型，结果表明，对于变量间相互独立的辅助变量集，三种模型的预测精度和推广能力优于线性主元回归（PCR）、线性偏最小二乘回归（PLS）及线性核函数SVR 模型；对于变量间存在复杂非线性关系情况，KNN-KPCA-SVR模型较其它方法表现了更优秀的性能。 最后，针对催化裂化装置（FCCU）主分馏塔设计粗汽油干点软测量估计器。在机理分析的基础上初选辅助变量，根据KNN分析结果对辅助变量分类及维数缩减，现场数据的采集与预处理，软测量模型建立。结果表明，KNN-KPCA-SVR模型的预测精度和泛化能力优于线性PCR、线性PLS、线性SVM、PLS-SVR模型及KPCA-SVR模型。