同步发电机建模是研究发电机特性的重要方法，也是进行仿真、优化以及控制的基础。通常，采用一定的假设和简化，得出一系列数学微分方程来描述，也就是采用机理建模。但当影响因素繁多，且呈现高度非线性，机理模型复杂时，这时也采用经验建模方法。人工神经网络是一种处理非线性问题的良好经验建模方法，已被应用在不少问题中，但是由于其理论基于经验风险最小化原则，难免会出现过拟合及局部最小等问题。基于统计学习理论的支持向量机遵循结构风险最小化原则，克服了神经网络等方法的固有不足，大大提高了模型的泛化能力。 支持向量机回归是统计学习理论的重要内容，支持向量机回归具有很好的时间序列建模特性，采用支持向量机回归进行非线性系统建模的研究是最近几年以来产生的一个研究热点。这种建模方法不仅模型简单，有完备的理论支持，更重要的是提供了一种实现复杂的非线性系统的建模的新方法，拓宽了系统建模的研究领域。 本文首先系统的研究了统计学习理论和支持向量机的理论基础和常用的算法。然后在此基础上研究了支持向量机建模的方法，对这些建模原理与方法进行了深入细致地分析。通过函数逼近和系统建模等对支持向量机的性能进行了仿真研究。其理论结果被应用在船舶发电机的建模上。建立了基于支持向量机的船舶发电机模型，并与传统的人工神经网络方法做了比较，实验结果表明，支持向量机方法是一种可行的建模方法。 鉴于支持向量机的优良特性，在上海市教委科研重点项目(04IK02)“船舶电力系统建模、控制与仿真研究”的支持下，本文对基于支持向量机的船舶同步发电机建模进行了探索性的研究。