在化工行业，通过电解获得所需要的工业产品是一种常见且有效的手段。电解过程涉及到一系列的非常复杂的物理、化学反应，具有高度的非线性、非稳态性、时滞性和时变性。随着人们对金属产品的质量越来越高的要求，有效且及时地控制和优化电解过程变得越来越重要。在众多控制参数中，以电解液中铜酸浓度的监测和控制最为重要。然后，目前缺乏可靠的铜酸浓度在线测量方法，使得及时、迅速的控制与优化难以实现。在线预测是工业生产领域一项新兴的研究内容，是对传统传感器测量技术的很好补充：支持向量机具有较强的非线性映射能力，近几年来在应用研究领域受到越来越多的关注。有鉴于此，本文采用支持向量机作为数学模型对电解铜过程中铜酸浓度进行在线预测，系统全面地研究电解铜生产工艺过程及电解反应的机理，并建立了相关的时间序列预测模型和结构参数的优化。 在众多支持向量回归算法中，AOSVR算法是近年来提出的在线回归算法。它比传统批处理算法更适应于时间序列预测，但没有考虑如何选择影响回归模型的参数C、ε和核参数。本论文在AOSVR算法中引入三步搜索法，形成自适应参数调整的在线支持向量回归模型，通过在线调整回归参数达到更好的预测精度和泛化能力。以均方差为评价指标，采用三步搜索法在动态置信区间内进行参数寻优，得到最优的在线回归预测模型的结构参数。 对实际生产过程中预测目标输出量铜酸浓度高度耦合的特点，建立了基于支持向量回归的多目标在线预测模型。同时，为避免传统支持向量回归批次训练时所导致的系统资源大量消耗情况，铜酸预测模型采用增量式算法。即预测模型中数据样本发生变化(增加或减少)时，系统根据变化的样本数据对原有模型结构进行更新。 最后，采用离线仿真的方法，分别采用多目标在线支持向量回归预测，传统支持向量回归及SMO回归算法仿真，从数据预测的逼近效果，均方误差值和模型训练时间对比，可以得到本文预测算法在电解液铜酸成分预测中的有效性。