在工业生产过程中,称重系统是非常重要的装备,它的称量准确度影响着生产产品的成败。常规的称重系统通常使用的是单点称重方式,当生产线上的被称重物具有一定大小的质量且被称重物重心不在称重平台中央时,就会给称重系统带来偏载误差,影响了称量结果,最终影响整个生产过程。为此,本文尝试研究多传感器式称重系统,意在通过多个传感器共同称重,来补偿称重系统的偏载误差。本文以建立支持向量机(SVM)称重系统模型为主要研究内容。通过分析常规的线性称重系统模型的不足,提出了一种采用最小二乘支持向量机(LS-SVM)进行称重系统建模的方法。全文围绕采用LS-SVM进行偏载误差补偿的称重系统建模展开论述。首先通过对称重系统的现状进行分析,确定称重系统的设计目标;然后详细介绍了实现多传感器式称重系统所需要的软硬件平台;接着分析常规的线性多传感器模型,并指出其局限性;进而详细分析了多传感器称重系统存在的两种偏载成因,并给出对应的优化方法;最终引出了采用LS-SVM的多传感器称重系统模型。在具体建模之前,叙述了统计学习知识,给出了应用统计学习方法解决问题的三个步骤,然后以这三个步骤为基础,详细叙述了LS-SVM的理论内容。在建立完理论基础后,开始在Matlab平台上采用LS-SVM工具箱实现了LS-SVM称重系统建模的全过程,包括训练集数据收集、数据预处理、训练模型等过程,同时介绍了一种更优化的模型,即稀疏性模型。最后,通过对建模数据的残差分析、最小二乘线性模型与最小二乘支持向量机非线性模型的数据对比以及使用测试集进行实际预测,验证了采用LS-SVM进行称重系统建模的优越性。最终数据结果表明,采用LS-SVM建立的非线性的多传感器称重系统模型的确优于常规的最小二乘法建立的线性模型,其称重误差更小、稳定性更强,有效地对多传感器称重系统的偏载误差进行了补偿。