近年来,随着半导体工艺技术的发展,处理器芯片的集成度也越来越高,单个芯片的处理速度已近乎极限。多核技术成为现在提高处理器速度的一个研究热点,将多个芯片如何协同的工作,带来一个直接的问题就是处理器体系结构的日趋复杂,运行的程序特征也显示出极大的多变性,这也就给体系结构的设计带来了一个新的研究课题,以往的基于周期的模拟方法和分析模型已经渐渐的不能满足需求,在微处理器体系结构的设计初期,预测其行为就显得尤为关键。支持向量机是当前应用最为广泛的一种机器学习方法,它基于统计学习理论。适合于小样本的学习,具有很强的泛化性能,不会出现其他预测模型难以解决的局部极值和维数灾难等问题。但是模型参数选择问题至今也没有一个标准的理论知识作为指导,而以往的设计者们大都是依靠自己的先验知识进行设计。因此,要取得好的设计效果就需要大量的经验作为保证,这样不仅很难的取得好的效果,同时大大的影响了支持向量机方法的大范围的推广,提出用遗传算法建立支持向量机回归模型参数的自适应优化算法,利用遗传算法优化支持向量机模型设计中的重要的参数。支持向量机方法已经成功的应用于多个领域,但是大多数都是分类问题,在回归预测方面的应用相对比较匮乏。本文的研究重点就是在支持向量机的基础上探讨一种比神经网络更优的回归预测模型,对微体系结构的空间设计进行前期的预测。引入遗传优化算法对支持向量机的参数进行优化,得到基于遗传算法的支持向量机回归预测模型,并且通过基于LIBSVM的仿真实验,对比神经网络方法的预测结果和支持向量机的预测结果,证明了基于支持向量机的回归模型代替RBF神经网络进行结构特征的小波参数预测,能够取得更好的效果。因此,本文对相关领域的研究和应用工作,具有一定的参考价值。