在电力需求增加,节能环保要求日益严格的背景下,燃煤发电机组的综合效益急需提高,因此锅炉燃烧优化已成为研究热点。锅炉燃烧优化技术可分为两部分:建立精确的锅炉预测模型和高效的锅炉多目标优化方法。锅炉燃烧过程复杂,机理建模难以快速准确地反映出运行参数对锅炉效率和NOx排放的影响,亦不便于后续的优化。数据建模方法与优化则因其快速准确的优点得到较多应用。最小二乘支持向量回归（LSSVR）算法具有训练快,能应对小样本建模等优点。但算法选择所有样本作为支持向量,仍存在泛化性差,对不良样本敏感等缺点。由此提出了一种改进算法:约束支持向量回归算法（CSVR）。新算法在LSSVR算法基础上,分析简化参数,提出支持向量约束条件来优选支持向量。使用两个测试函数对新算法测试,结果表明:新算法在选择较少支持向量的同时,对多峰函数都有较高的拟合精度。此外还对算法中使用径向基函数时核参数σ和正规化参数c的取值对算法的影响进行分析,结果表明:选取适当的参数组合能提高算法精度,在后续建模中需要对参数寻优。采集某600MW机组1000组运行数据,经过归一化和主成分分析处理后作为样本,用CSVR算法建立锅炉效率和锅炉NOx排放浓度预测模型,并使用粒子群（PSO）算法对建模参数进行优化。传统PSO算法存在收敛慢,易早熟的问题,因此提出自适应惯性系数和定区间粒子扰动策略进行改进。使用测试函数对改进后PSO算法测试,测试结果表明:改进后算法收敛更快,在面对复杂多峰函数时能跳出局部最优。锅炉效率与NOx排放浓度的建模结果表明:同BP神经网络和LSSVR算法建模相比,CSVR算法经参数优化后,有最高的预测精度,且CSVR算法对个别不良样本不敏感,有更好的泛化性能。在所建模型基础上,分别使用权重拟合法和快速非劣排序遗传算法（NSGA-II）,对两个高NOx排放样本进行锅炉效率和NOx排放浓度的综合优化。优化结果表明:两种方法都能得到优化解,但NSGA-II算法一次运行就能得到较多可行解,能反映出优化后选择不同NOx排放浓度对应的不同锅炉效率,可在积累优化数据后,为运行人员提供不同的优化参考。