针对小样本数据的信息处理,已有不少学者对灰色系统模型和支持向量机模型进行研究并取得了一定成果。目前,将这两种方法融合建立灰色支持向量机模型,能弥补单一使用这两种模型的不足,达到良好的数据处理和预测效果,已成为一个很重要的课题。本文首先对小样本数据的特点进行了研究,详细分析了小样本数据建模和预测的复杂性、特殊性,然后提出将灰色系统理论和支持向量机相结合的思想来进行建模。在对灰色系统理论和支持向量机,尤其是灰色系统理论深入研究的基础上,建立了灰色GM(1,1)与支持向量机相结合的GMSVM预测模型。在对灰色GM(1,1)模型建模机理及误差分析的基础上,利用PSO算法对齐次指数序列条件下构造的背景值形式进行参数优化,然后结合支持向量机的优势,使其在对非严格等比数列或近似指数序列条件下建模具有更高的预测精度,仿真实例表明,此模型可以进行中长期预测。由于过程工业的复杂性(多变量、非线性、时变等),大量研究集中在根据过程的历史数据,采用各种非线性函数拟合的方法建立模型。但是,建模时输入变量之间的自相关和互相关性,将会降低模型的泛化能力,本文利用灰色关联分析方法作为属性预处理器,依据属性关联度修正各影响因素的权重,然后用支持向量机进行回归和预测,取得了泛化能力更强的GASVM模型,仿真实例,表明了该模型的有效性和可靠性。