机器学习算法在生物识别，化工控制等领域都有着广泛应用。本文提出了新的基于偏最小二乘的改进算法，可以较好的解决生物识别和化工控制领域的3个具体问题：原核生物短编码序列识别，人类snoRNA识别，以及橡胶硬度在线测量。在原核生物短编码序列识别问题上，大多数方法在探测短基因序列上还没有达到理想的效果。因为短编码序列长度较短，其所含的生物信息有限，所以普通的方法难以准确的区分编码和非编码序列。本文提出了一种新的迭代适应性稀疏偏最小二乘算法作为分类器，来研究原核短基因的识别，以提高其识别精度。与传统的基因识别方法，如GeneMarkS, Metagene, Orphelia和Heuristic Approachs等方法相比，本文提出的方法取得更高的识别精度。实验结果也证实本文的算法相对于传统的分类器，如Logistic, RF(随机森林)和KNN（最近邻法），在预测精度方面也有着明显的提高，至少提高了5.90%。SnoRNA(small nucleolar RNA)在真核生物中普遍存在，在本文中，我们提出了一种快速友好的方法来加快人类snoRNAs的识别。在算法上，我们集合弹性网络和稀疏偏最小二乘算法的优势，提出了ESDA算法。通过与其他算法的对比，可以确认ESDA的有效性。相比于SnoReport，本文提出的方法不仅精度提高，而且简洁性和计算速度上均有优势。此外，我们将ESDA和其他一些著名的分类器如RF(随机森林)，DWD(距离加权分类)，SVM(支持向量机)进行对比，预测准确度最高可以提高25.1%。橡胶生产过程监控由于时变性的影响而变得复杂。本文提出一种橡胶硬度的在线测量方法，采用了核偏最小二乘模型，根据Q统计量不断更新模型，从而得到精确的橡胶硬度值，保证了橡胶的质量。本方法采用的监控报警装置可以减少安全隐患。