基于统计学习理论的支持向量机回归方法,是一种崭新的系统辨识和建模的有力工具。它建立在完备的理论基础之上,综合了经验风险最小化和结构风险最小化的原则,它克服了神经网络存在局部极小,泛化能力差,结构需要经验确定的缺点,能够任意逼近复杂非线性函数,且具有良好的泛化性能。它最初主要用于模式识别领域,近几年越来越受到控制界的关注。本文针对非线性时滞系统,提出了一种支持向量机回归(SVMR)的方法来辨识黑箱系统的结构,包括阶次和时滞辨识,采用SVMR辨识的误差之和以及支持向量的个数来评估系统阶次和时滞的匹配情况,仿真表明了该方法的有效性。并且从支持向量机理论上分析了该方法的工作机理。研究了支持向量机的非线性辨识能力,针对饱和铁芯型超导限流器研制过程中碰到的两个关键问题,采用支持向量机对故障电流进行快速辨识,以触发限流器的限流功能,同时对过压保护作用的压敏电阻进行非线性伏安特性辨识,为限流器的过压保护的仿真提供了研究手段。本文针对支持向量机非线性内模控制进行研究,采用静态离线辨识建模的方法构造正向内模和逆模控制器,分析了建模误差对系统控制精度的影响,提出了一种线性补偿的方法。同时分析了SVMR辨识参数(容量控制参数和不敏感损失参数)对模型误差的影响以及对内模控制误差的影响。在工程化方面提出降低建模精度,模型复杂度,提高模型的可实现性,线性补偿的来补偿建模精度对控制误差的影响的设计指导方法。仿真表明了所采用方法的有效性。同时提出了一种动态最小二乘支持向量机建模的非线性时变系统的自适应内模控制方法。正逆建模都采用动态在线的方式,根据被控对象的输入输出数据的时间窗口,实时调整模型参数,自适应的控制非线性时变系统。研究了动态LS-SVM自适应辨识时间窗口大小对辨识误差和控制误差的影响,提出了一种确定时间窗口的方法;同时提出通过误差指标来减少在线模型辨识的次数,使其在线应用具有更好的实时性的方法。针对支持向量机预测控制,提出了一种支持向量机预测逆模型启发式的一维搜索滚动优化的预测控制方法,离线辨识正逆预测模型,逆模型启发非线性滚动优化的搜索空间,从而缩小了优化搜索时间,提高了非线性滚动优化的实时性。