统计学习理论是以结构风险最小化原则和VC维为基础的一种专门针对小样本机器学习的统计推理体系,支持向量机是基于该理论的一种有效通用学习机,它借助于最优化方法将模式识别、分类和回归等问题转化为一个凸二次优化问题,在一定程度上克服了以往神经网络算法中存在的“维数灾难”和“过学习”等困难,具有强的泛化能力。目前,统计学习理论和支持向量机已成为机器学习领域中一个新的研究热点。本文在统计学习理论的基础上研究了支持向量机,并基于支持向量机的回归理论,给出了一种基于支持向量回归机的非线性系统辨识方法。通过仿真研究比较了ε-SVM、LS-SVM以及RBF三种辨识方法,结果表明ε-SVM能够利用给定系统的输入输出数据很好的逼近非线性系统,并且同LS-SVM及RBF神经网络的辨识效果相比,其泛化性能更胜一筹,从而证明了将支持向量机用于非线性系统内模控制的可行性。论文基于传统内模控制的基本原理及性质,利用支持向量机对函数的逼近能力,针对一类非线性系统,给出了一种基于支持向量机的非线性系统内模控制方法,分别使用支持向量机建立了非线性系统的模型与逆模型,并在此基础上设计内模控制器,仿真结果表明,本文所用方法可以使系统同时具有良好的目标值跟踪特性、扰动抑制特性和鲁棒性,从而为非线性系统的控制和研究提供了一条新的思路。