传染病对人类的威胁是长期而严峻的。预测可以及早发现疾病的流行趋势,为及时、准确地开展传染病的预警奠定了基础,对传染病的控制工作也意义重大。受多种因素的影响,传染病发病率样本不仅采集困难,而且总是呈现出不规则、混沌等非线性特征。而传统的传染病预测模型大多以线性模型为主,难以进行理想的非线性拟和,故迫切需要建立新的预测模型来开展科学预测研究。考虑到支持向量机(SVM)具有小样本、稀疏性、以及非线性拟合能力强等方面的优势,本文将支持向量机回归(SVR)引入传染病预测,以期开发出一种性能更加优越的传染病预测模型,为疾病预测工作提供新的技术手段。首先,本文综述了传染病预测和SVM的研究现状,以及一些有代表性的传染病数学模型。在对统计学习理论以及相关的优化理论进行回顾的基础上,从四个方面详细描述了SVR模型的基础知识,并指出了SVM的优缺点。然后,本文针对SVM在实际应用中的三点困难,设计了NSVR预测模型,目的是获得更高的学习性能和预测精度。该模型的设计思路涉及三个主要方面:(1)数据预处理:C-C方法进行相空间重构;(2)核函数的选择:采用混合核函数的非线性组合方式;(3)参数的优化:改进了基本的PSO算法。在详细描述了NSVR预测模型建模流程的基础上,通过仿真实验证明了该模型的有效性。最后,考虑到求和自回归移动平均(ARIMA)模型在处理线性问题上的优势以及SVR在处理非线性问题上的优势,本文借助组合预测的思想提出了一个新的组合预测模型ARIMA-NSVR,目的是在提高模型鲁棒性的同时,进一步提高模型的泛化能力。在ARIMA-NSVR组合预测模型建模流程的基础上,通过仿真实验证明了该组合模型的有效性。