农业是一个国家繁荣昌盛的重要保障，粮食是经济的命脉，是国民经济中的重要组成部分，它关系到国家的富强、经济的繁荣和社会的稳定，因此每个国家都十分重视粮食问题。在我国，粮食产量早在20世纪90年代中后期就已经基本实现了总量平衡、年年有余的目标，但随着中国经济的不断发展，农业市场化的不断提高和农村工业化进程的不断加快，中国粮食产量的供求关系发生了重大变化。因此对粮食产量的准确预测成为人们关注和研究的焦点。随着科技的发展，越来越多的模型和算法已经运用到粮食预测中来。广泛使用的方法有BP神经网络、支持向量机及对它们的改进算法等，本文用是基于混合核函数的支持向量回归机算法，并结合贝叶斯理论对支持向量机参数进行优化，形成一种新的预测算法对粮食产量进行预测。本文的研究工作和内容包括以下几个方面：1.为了形成一种能够更好的对粮食产量预测的算法，本文使用了支持向量机和贝叶斯结合的方法，因此本文先研究了支持向量机理论和贝叶斯相关算法，使读者更便于理解。2.支持向量机的核函数的选择。在使用支持向量机解决回归问题时，核函数是一个关键因素，如何选择适当的核函数是构造支持向量机模型的一个核心问题。低维空间向量集往往比较复杂且难于划分，为此可以将它们映射到易于划分的高维空间中。但这个方法会使计算复杂度增加，而核函数的引入很好的解决了这个问题。选用一个适当的核函数，可以使高维空间中的计算量大大降低。最常用的核函数有：多项式核函数、高斯径向基（RBF）核函数和sigmoid核函数。而随着进一步的研究，出现了组合核函数，这使支持向量机的性能进一步得到了提高。3.支持向量机中参数的优化。参数选择和优化是机器学习中的一个重要问题，支持向量机的性能除了与核参数有关，还依赖于惩罚系数C等参数。常用的选取参数的方法有格点法和经验凑试法，但这两种方法必须通过大量的实验来验证，并且获得的参数往往也不是最优的。本文通过基于贝叶斯原理，利用贝叶斯证据框架对核参数及其它参数进行优化，使预测的预测精度更高，计算复杂度更低，推广能力更强。4.构建支持向量机的回归模型，通过建立的基于贝叶斯的支持向量回归机模型对粮食产量进行预测，然后再用标准的支持向量回归机模型对同一数据进行预测，最后比较两种方法的精确度。