液泛气速是填料塔正常操作的上限气速,准确预测各种填料的液泛气速,对于保证填料塔的平稳运行和高效生产具有重要的现实意义和广泛的工业应用前景。本文通过对现今关于填料塔液泛气速预测的传统方法的分析,提出一种最小二乘支持向量回归(Least Squares Support Vector Regression, LSSVR)的方法,建立LSSVR模型用于液泛气速的预测。并且在集成学习理论的基础上,对LSSVR模型进行改进,以提高液泛气速预测模型的精度,并进行验证测试。主要工作和创新点如下：(1)针对传统的液泛气速预测模型中需要的特定填料常数难以获得,导致通用性不高的缺点,建立一种基于LSSVR的液泛气速预测模型。相较于传统液泛气速预测模型以及神经网络模型,LSSVR模型的通用性更高,具有更好的预测效果。(2)针对实际工业生产中液泛数据的多样性和不均衡性,单一模型对液泛气速的预测受到一定限制的问题,提出一种基于模糊C均值(Fuzzy C-Means, FCM)聚类的LSSVR集成建模方法,对液泛气速进行预测。集成LSSVR模型能较好的提取液泛数据的特征信息,以提高液泛气速的预测效果。(3)鉴于FCM聚类方法中欧式距离计算的不足及模糊集合理论的优势,提出一种结合FCM方法的高斯混合模型(Gaussian Mixture Model, GMM)的聚类方法构造LSSVR集成模型,用于液泛气速预测。测试结果表明,所提出的LSSVR集成模型在数据噪声较大时,较基于FCM聚类的方法更有优势,获得良好的预测效果。