近年来,现代装备和设备逐渐趋于大型化和复杂化,功能越来越多,结构日益复杂,其安全性和可靠性得到了各方的高度关注,故障预测与健康管理技术为装备系统提供了可靠性保障。而支持向量机作为小样本机器学习的方法,对观测数据有限的系统来说是非常实用的。本文研究利用支持向量机算法应用于有限样本的故障预测与健康管理(PHM)问题中,改进了支持向量机核参数和惩罚因子的选取方式,并且提高了最小二乘支持向量机的推广能力。本文首先将可变惩罚因子代入支持向量分类机(SVCM)中,使分类模型更准确的反映整体对各点的重视程度。在近似线性可分和线性不可分情况下,推导了基于可变惩罚因子的支持向量分类机(VPF-SVCM)的对偶问题,并推导了最小二乘法求解VPF-SVCM的计算形式。其次,依据遗传算法搜索最优支持向量机核参数的思路,构建GAVPF-LSSVCM算法。然后,针对多分类问题提出基于二叉树结构的BTGAVPF-LSSVCM算法。最后,将改进的BTGAVPF-LSSVCM算法应用在液体火箭发动机的故障诊断问题中。实验表明,改进后的故障诊断模型在训练时间和正确率两方面都好于原有模型及LSSVCM模型。本文提出了基于迭代误差补偿的最小二乘支持向量回归机改进算法(IEC-LSSVR),并通过几个具有代表性的回归问题应用实例,验证了 IEC-LSSVR的有效性和优越性。之后将IEC-LSSVR分别应用于液态火箭发动机推力预测和波音客机的故障率预测中。实验表明,改进的IEC-LSSVR故障预测方法尽管在训练时间上要长于原始模型,但是就推广能力而言,明显优于原始模型。