统计学习理论是当前机器学习领域一个研究热点,它为有限样本学习问题提供了一个统一的框架.建立在该理论基础上的支持向量机,以其优异的小样本学习能力、较强的抗干扰能力和较好的模型推广能力引起了工程技术界的关注,在最近几年得到了不断的发展和应用.该文讨论了统计学习理论和结构风险最小化的基本概念,结合数据分类问题具体阐述了支持向量机的基本理论.同时研究了支持向量机用于数据回归的具体方法,并且应用该方法进行函数逼近和函数估计仿真研究,仿真结果表明该方法训练所需样本少,所建模型结构简单以及对噪声有较好的滤波能力.该文基于支持向量机回归方法的优点,提出了一种新的软测量建模方法--基于支持向量机的软测量方法,并应用该方法建立了加氢裂化装置航煤干点的软测量模型,与基于RBF网络的建模方法相比,该方法模型误差控制较好,能在较少的训练样本下获得性能比较好的模型,同时该方法建立的模型结构简单具有很好的推广能力.