药物体内清除率的预测,不仅可以减少临床实验的风险与代价,更可以实现新药的快速批量筛选,对新药开发过程缩短研发周期,减少研发费用和降低研发代价等有着重大的理论和现实意义。本文采用了核主成分分析算法和支持向量机算法对药物体内清除率进行建模分析。核主成分分析是非线性主成分提取中的一项新技术,在特征提取,噪声处理上有很好的应用。支持向量机对小样本问题的模式识别,函数逼近等也有良好的效果。本文内容主要分四个部分：第一部分：在阅读了国内外大量的文献的基础上,对药物体内清除率预测的研究现状作了详细的介绍。另外也对核主成分算法和支持向量机的特点简单的做了描述。第二部分：对药物体内清除率的体内外模型进行了仔细的研究,并针对各种药物体内预测模型的特点以及核主成分分析算法和支持向量机算法的特点,选择了体外肝微粒体实验模型的实验数据作为模型的输入参数来源。第三部分：对核主成分分析算法进行了详细的研究,并针对其在处理小样本问题时易受极值点干扰的问题,提出了一种加权函数的核主成分分析算法。实验表明,改进后的算法对干扰点有很好的鲁棒性。另外,对误差函数的理论分析表明,该算法能够很好的解决迭代误差收敛性问题。之后,又用改进的核主成分算法对肝微粒实验的体外实验数据进行了分析,结果表明,采用基于距离的改进核主成分分析算法进行二维主成分提取,能够有效的对样本点进行酸碱性分类。第四部分：首先对支持向量机算法做了比较详细分析和推导。然后用核主成分算法得到的二维主成分数据进行药物体内清除率预测分析。结果表明,样本在用改进的核主成分分析算法处理之后,预测结果不仅要明显优于传统方法的预测结果,同时也比直接采用支持向量机算法得到的结果要好。药物体内清除率的预测结果表明,本文提出的基于核主成分和支持向量机算法是有效的,并且随着训练样本的增加,在新药筛选中将会有更好的应用。