随着机械构件向大型化、复杂化和高温、高速使用环境等方向发展,在一些可靠性和安全性要求高的领域,构件又具有成本高、批量小以及失效模式和失效机理复杂等特点,使得对其进行寿命预测成为国内外广泛关注和研究的技术难题。本文以支持向量机理论为基础,通过分析以往在工程应用中结合支持向量机算法进行疲劳寿命预测的模型存在预测精度不高且不稳定、参数优化效果不佳等方面的不足,提出了基于粒子群优化混合核函数的支持向量机的疲劳寿命预测模型。全文共涉及以下几方面内容:（1）结合支持向量机理论,采用调试参数法分别研究了径向基核函数与多项式核函数的性能。通过模型预测结果与试验数据相对比,验证了核函数及其相关参数的选取是支持向量机模型建立非常关键的一步。（2）针对参数优化效果和效率不佳的缺陷,引入粒子群智能算法,建立支持向量机模型,对粒子群优化支持向量机参数进行了研究。（3）针对单核核函数存在一定的局限性,结合径向基核函数与多项式核函数各自的优势,提出了一种混合核函数,直接编程实现混合核矩阵运算,对混合核函数的全局性和局部性进行了研究。（4）分别建立网格搜索法优化混合核函数支持向量机、粒子群优化混合核函数支持向量机、粒子群优化径向基核函数支持向量机、粒子群优化多项式核函数支持向量机四种模型,结合疲劳试验数据与模型预测结果对比分析,粒子群算法的优化效果与效率有明显收敛快精度高的优势,混合核函数支持向量机较单核函数的全局性和局部性更具有优越性。本文提出的基于粒子群优化混合核函数的支持向量机模型具有更快的训练速度和更好的预测精度,具有较强的推广性。