支持向量机（SVM）是由Vapnik等人提出以VC维理论为基础，以结构风险最小化为原则的算法，它能够较好的处理分类和回归问题，表现出很强的学习性能和泛化能力。然而由于模糊信息的存在，SVM对孤立点和噪声过分敏感，容易出现“过学习”现象，因此，许多专家学者提出了模糊支持向量机（FSVM）算法。FSVM以支持向量机原理和模糊数学理论为基础，对SVM进行改进和完善，较好地处理小样本、非线性、高维数和局部极小点等问题，削弱了传统SVM对噪声和孤立点敏感的问题，广泛应用于模式识别、图像处理、医学、经济预警、股票预测等方面。本文选取模糊C均值算法（FCM）作为隶属度函数的设计方法，并放宽隶属度条件，提出了FCM的改进算法，然后选取径向基核函数（RBF）和ε-SVR模型结构，其中惩罚因子和松弛变量的最佳参数值要用交叉验证法来选取，仿真实验表明该算法具有较好的有效性和精确性。电厂中一次风量准确、可靠的测量是保证火电机组控制系统稳定、经济的运行重要因素，然而硬件仪表测量受现场安装条件、测量精度和测量条件等方面的限制，存在一定的测量误差，由此，本文提出应用软测量方法结合火电厂的实际应用来测量一次风量。由于在DCS中选取软测量建模的样本数据存在一定的模糊性和分散性，本文针对基于FSVM算法的软测量建模方法进行研究并对模型进行改进，通过机理分析、相关系数分析等方法确定了辅助变量，采用滑动平均滤波和数据归一化处理进行数据预处理，选用放宽了隶属度条件的FCM算法计算样本隶属度值，然后对建模过程中核函数和惩罚因子的选择进行了分析和研究，最后进行软测量模型的建立、训练和测试。通过仿真实验结果表明，采用基于改进的FSVM算法的一次风流量软测量模型有较高的测量精度和速度，经过电厂实际运行的样本数据验证了模型的可行性，达到了预期的实验效果。