支持向量机(SVM)是在统计学习理论基础上发展起来的一种新的机器学习方法,从结构风险最小化准则(SRM)的角度保证了模型具有全局最优、最大泛化能力、推广能力强等优点,并能够很好地解决许多实际预测问题,已成为机器学习领域颇有影响的成果之一。本文的主要工作是构建了有关支持向量机的几种预测模型：(1)灰色支持向量机预测模型(GSVM),它是利用灰色理论对原始数据累加生成原理,结合支持向量机拟合非线性数据能力的特点,构建的灰色支持向量机预测模型,对累加序列进行预测,最后将预测结果进行累减还原得到预测值。实例表明,该模型具有较高的预测精度。(2)分别对自回归模型、神经网络模型、支持向量机模型进行研究,以我国人口增长率为例,对人口增长率进行预测。在分析组合预测特性的基础上,对神经网络和支持向量机这两种预测模型进行了Theil不等系数的优化组合,并将其用于预测人口增长率。(3)由于支持向量机能够捕获数据的非线性特征,本文对自回归、神经网络和支持向量机这三种预测模型结果进行SVM的组合,并将其用于预测人口增长率。与单项预测方法和基于Theil不等系数的组合预测模型的结果进行对比,支持向量机组合预测模型预测精度最高,可以较好地解决人口增长预测这一非线性问题。