稀土串级萃取分离过程具有强非线性、时变、大滞后等特点，元素的组分含量难以在线测量。目前实现对稀土萃取分离过程组份含量在线检测的方法普遍存在装置价格高，结构复杂，系统连续运行可靠性不高，维护保养困难等缺点。由于软测量技术具有精确、可靠、经济和动态响应迅速等特点，软测量技术已成为解决稀土萃取过程组分含量在线估计的新途径。 实现组分含量软测量的关键是建立组分含量软测量模型。而支持向量机(SVM) 是根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷，以期获得最好的推广能力，已被广泛地用于非线性系统建模。它是将实际问题通过非线性变换映射到高维的特征空间，然后在这个高维空间中求取最优分类超平面或进行函数拟合，其算法复杂度与样本维数无关，可得到有限样本信息下的全局最优解，解决了在神经网络方法中无法避免的局部极值问题。 本文针对稀土萃取过程组分含量难以在线检测的难题，系统开展支持向量机技术在稀土萃取过程组分含量软测量及其应用验证研究。主要内容如下： 1、简述稀土萃取分离的过程检测及控制的现状，针对组分含量难以实现在线估计的问题，提出用SVM方法建立稀土萃取组分含量软测量模型的思想，并回顾了SVM技术的原理及其研究现状。 2、简要描述稀土串级萃取分离过程原理及其工艺流程，在对稀土萃取分离过程进行机理分析的基础上，分析影响元素组分含量的因素，采用SVM技术建立软测量模型实现稀土分离过程组分含量在线估计。 3、针对支持向量机软测量模型的运算速度慢、泛化能力不强等不足，采用了三种方法(混合核函数、最小二乘支持向量机、增量学习法)对上述模型进行改进，并进行仿真试验验证。仿真结果表明，将增量学习法与最小二乘支持向量机方法结合的改进方法能根据误差要求调整训练目标，训练效率高，比较适合用于组分含量在线估计。