由于光纤光栅传感器具有灵敏度高、体积小、抗干扰能力强等优点,使其可以广泛应用于大型结构、周界安防等各个方面,因此,有必要对光纤传感信号进行预测和处理。在机器学习领域中,相关向量机(RVM)是以拟合目标数据为目的的一种重要学习方法,因其稀疏性、全局最优性以及能够利用核函数解决非线性问题等而备受关注。本文通过对RVM的理论和方法的研究以及对偏移小波特性的深入了解,构建了偏移小波核函数,并在核度量标准的基础上,提出自适应偏移小波核函数的选取方法。针对样本多样性与基于预测方差构建混合RVM模型的方法,提出了基于样本特性的混合RVM算法。该算法首先以数据特征为基础,对数据进行分段;其次,使用自适应偏移小波核函数的选取方法,筛选每一段数据对应的偏移小波核函数,并建立对应的RVM模型;然后,用这些模型共同构建混合RVM模型,并评估混合模型的预测精度;最后,将该算法应用于光纤光栅温度传感系统中,实现光纤传感信号的预测预警功能。主要研究工作如下:(1)以偏移小波的特性为基础,构建了一组偏移小波核函数。因为偏移小波拥有可变的非零均值,使得偏移小波核函数拥有更大的自由度。并且,本文研究了RVM核函数的度量方法,选取核排列(Kernel Target Alignment,KTA)对偏移小波核的参数进行筛选,并以最优的参数对应的核函数建立RVM模型。在人工仿真数据集中,根据相关的测试,验证了该方法的有效性。(2)从数据的特征出发,研究数据的多样性以及影响数据多样性的因素,选择其中合适的因素,对数据进行分段,并针对每一段数据的特点用KTA的方法构建不同的偏移小波核函数,以提取数据的多样性。(3)用假设检验的方式,确定影响稀疏概率模型预测精度的因素为方差。以方差为标准,利用基于样本特性所构建的所有RVM模型,建立混合RVM模型对数据进行预测。将混合RVM模型应用于空气质量标准数据集中,结果表明,混合RVM模型相较于单一模型来说具有更高的预测精度。(4)通过对光纤传感信号和光纤光栅传感器运行原理的了解,确定外界因素对光纤光栅传感器所采集的波长信号的影响。将本文提出的基于样本特性的混合RVM模型应用于光纤光栅传感器所采集的温度数据,建立了结果较为准确的光纤温度传感信号预测系统。