基于数据的机器学习是现代智能技术中的重要方面，由此产生的支持向量机(Support Vector Machine，SVM)是近年发展起来的一种基于统计学习理论(SLT)处理小样本学习问题的算法。它采用结构风险最小化原理，解决了过学习、非线性、维数灾难、局部极小点等问题，成为目前最普遍使用的机器学习算法。本文通过最小二乘支持向量机(Least Square SupporVector Machine，LSSVM)建立软测量模型，对模型所需的训练样本进行去噪、选择核函数、优化核参数等多个问题的算法及其在丙烯腈收率中的应用进行了研究和探讨。主要工作如下：　　 1、针对现场采集的训练样本数据经常包含异常数据、噪声，对采样数据进行预处理。文中利用小波分析具有表征信号局部特征的能力这一特点，采用小波去噪方法进行工业采样信号预处理。经过测试数据验证，发现去噪后的软测量模型预测精度明显提高。　　 2、采用了近似免疫网络算法。针对标准免疫网络在函数寻优过程中存在的问题，将控制网络规模的增长幅度减小，使得每次加入网络的随机抗体减少，这样既能保持抗体网络具有一定的多样性，改进了网络的扩展策略，以兼顾样本多样性与计算效率，又能防止最优解的退化，保证算法的稳定。另一方面，通过选择适应度最大的抗体稳定核，防止最优值退化，保证算法的稳定。　　 3、将LSSVM的优化函数看作是一个关于模型参数的不连续的多极值函数，将改进的免疫网络算法与支持向量机相结合形成一个aiNet-LSSVM算法，对采样数据集进行了测试，结果表明该方法能够更快速地在更大的空间内进行有效搜索，与传统的交叉验证方法相比，在搜索速度与稀疏性上具有较大的优势。　　 4、采用改进的最小二乘支持向量机建立软测量模型估计丙烯腈收率问题。将小波去噪方法，改进后的人工免疫优化模型应用到最小二乘支持向量机软测量建模中，利用实际工业过程中丙烯腈收率的采样数据进行实验仿真。