通过有限样本数据进行机器学习是现代智能技术中的重要研究方向,而基于统计学习理论的SVM是一种专门研究小样本情况的机器学习理论,较好的解决了小样本学习问题,已广泛的应用于模式识别、回归估计、函数估计和密度估计等方面。与神经网络等其它智能方法不同,SVM通过自动参数优化来确定模型结构,避免了局部最优和过学习等问题。本文给出SVM在非线性系统辨识中的改进算法及应用研究。　　 针对NARMA时滞模型的阶次和时滞辨识问题,给出了如何通过SVM进行辨识的方法,并就SVM参数对辨识结果的影响进行了仿真。与神经网络辨识结果比较,表明了在小样本情况下SVM的辨识优势。　　 标准SVM算法中可以得到部分样本作为支持向量的特性,在转化为LSSVM后,稀疏性能消失。针对这一问题,同时为了增强LSSVM的计算能力,提出了基于改进模糊隶属度的FLSSVM辨识算法。　　 研究了支持向量回归(SVRI)在软测量建模中的应用。以南京某石化丁二烯生产过程的精馏塔采集数据为研究对象,通过数据预处理选取辅助变量和主元分析进行降维,得到建模所需要的辅助变量个数。运用SVR进行单模型的软测量建模,验证了其可行性。并给出基于AP聚类算法、按照距离匹配的切换策略组成的多SVR软测量全局模型。