自V. Vapnik提出的支持向量机理论以来，因其坚实的理论基础和诸多良好特性,在近年获得了广泛的关注。最小二乘支持向量机是支持向量机的一种改进，它将传统支持向量机的不等式约束改为等式约束，且将误差平方和损失函数作为训练集的经验损失，这样就把解二次规划问题转化为求解线性方程组问题，提高求解问题的速度和收敛精度。决定最小二乘支持向量机性能的因素是惩罚因子C和核函数的选取，本文采用比较常用的核函数径向基核函数（RBF），所以惩罚因子C和核参数g 是决定最小二乘支持向量机的性能的主要因素。因此，最优的参数组合（C，g），能使最小二乘支持向量机具有较好的推广能力。遗传算法（Genetic Algorithm）是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，而改进的遗传算法是在模拟退火算法的运行过程中溶入遗传算法，称为模拟退火遗传算法，模拟退火遗传算法是基于Monte Carlo 迭代求解法一种启发式随机搜索算法，它模拟固体物质退火过程的热平衡问题与随机搜索寻优问题的相似性来达到寻找全局最优或近似全局最优的目的。 本课题利用改进的遗传算法来优化最小二乘支持向量机的参数，并通过土石坝渗水量的数据做实例分析，测试结果同没有进行参数优化的最小二乘支持向量机测试结果和BP神经网络测试结果进行对比，结果表明基于改进遗传算法优化最小二乘支持向量机参数的建模方式，建模速度和预测精度同后面两种方法相比都有所提高，有着广阔的应用前景。