长期以来,以高消耗、重污染为特征的传统化石能源利用方式出现了严重的危机,化石能源日渐枯竭,环境问题变得刻不容缓。因此,提供可靠、稳定及高效的电力能源就显得十分重要。影响电能质量的因素众多,谐波在这些因素中尤为突出,因而就不可避免地要对谐波展开行之有效的控制和治理,显然这又必须以精准的谐波监测与分析为基础。基于DSP微处理器分析电力谐波的方式,具有分析精度高、体积小、功耗低、响应快等优点在众多的谐波监测与分析方式中脱颖而出,并受到了业界的广泛关注。本文以电力谐波为研究对象,对参数选择及求解过程优化后的支持向量机算法在谐波检测与分析场合中的应用进行了重点研究和设计,并搭建了DSP微处理器平台对所设计的算法进行了实际信号分析验证。首先,阐述并分析了统计学习的基本理论,引入了该理论基础上的支持向量机算法,并对该算法进行了深入的分析和研究,归纳出了支持向量机分析回归问题的具体步骤。对支持向量机理论下的谐波信号分析模型展开了深入的剖析,并指出了现行算法中存在的不足之处。其次,引入了遗传算法来搜索、优化支持向量机的相关调控参数,在遗传算法的理论基础上以数学建模的形式对该算法作出了分析与研究。深入分析与探讨了遗传算法在样本分析过程中如何保持样本的多样性及该算法的收敛性问题,阐述了遗传算法优化支持向量机参数问题的具体步骤。再者,选择了特殊的近似误差与产生代价之间关系的函数,并结合支持向量机基础上的电力系统信号分析理论重新构建了分析电力谐波信号的数学模型,归纳出了迭代加权最小二乘法分析该模型的具体步骤和流程,并在Matlab仿真环境下针对优化后混合算法的相关特性做了仿真实验。最后,基于TMS320F28335微处理器设计并搭建了可供本文设计算法实现的谐波监测与分析硬件平台,编写了通过遗传算法进行参数优化的支持向量机算法程序,并在微处理器平台上进行了谐波分析实验,实验结果证明了本文所设计算法在谐波分析方面具有较高的精度。