随着人们对用电需求量日益增加,电力使用已经渗透到人们生活的每个方面。电站锅炉安全运行问题一直是电力行业研究的重点,它关系到每个人的切实利益。然而由于锅炉温度检测技术不够先进,安全隐患仍然存在,先进有效的火焰温度场测量技术对于研究电站锅炉运行安全具有重要的科学意义和实用价值。准确地检测火焰温度场是燃烧诊断的核心。传统的炉膛温度场计算,是基于机理建模方法建立火焰温度与辐射图像间的函数关系,通过求解大型矩阵方程的方法来实现。然而由于实际工业过程往往表现为多输入、多输出、强非线性、强耦合等特性,炉膛内的某些参数(如烟黑浓度分布,壁面的散射率等)难以确定,基于机理建模的测温方法存在着局限性。支持向量机(SVM)是以统计学习理论为基础的一种新型机器学习算法,因为其良好的非线性函数拟合和泛化能力,已经广泛的应用于系统辨识、智能建模等领域。因此本文尝试将支持向量机辨识方法引入到锅炉燃烧系统建模中来,努力提出一种简便易行的炉膛火焰温度场测量方法,具体研究内容如下所示：(1)探讨了电站锅炉火焰燃烧的特点,火焰辐射成像的基本原理,基于机理建模的温度检测方法。深入学习了机器学习理论、统计学习理论、支持向量机理论。结合工业现场锅炉燃烧状况,对将支持向量机应用于火焰温度场检测的可行性进行论证。(2)火焰温度检测系统为多输入多输出系统,而支持向量回归机一般适用于单输出的情况。本文使用一种多输入多输出支持向量机回归模型算法来解决这一问题。通过求解线性和非线性情况下的函数回归的基本解,进而构造出多输出支持向量机回归估计函数。(3)对支持向量机核函数的选择进行研究。目前较为常用的核函数为高斯径向基核函数,它在模式识别与回归分析中都表现出了良好的映射性能,但是径向基不是一个完备基,不能较好地对任意信号逼近,特别是对边界处逼近和多尺度信号逼近。本文利用小波良好的时频多分辨特性及逼近特性,构造基于Marr小波核函数和多尺度核函数,通过仿真试验分析,在泛化性能和训练时间方面优于传统径向基核函数,同时弥补了传统核函数在逼近性能方面的不足,较好地解决了温度场测量中存在的噪声干扰影响大、强耦合的问题。由于传统的参数优化方法存在着不足,本文选择基于粒子群的参数优化方法来进行参数优化,并用粒子群算法对支持向量机模型进行训练。