现今以燃煤为主的火力电站仍是我国电力工业的主体，监测和改善燃煤火电厂的燃烧工况，对于节约煤炭资源，降低成本、减少污染物的排放，具有重要的意义。在我们越来越重视电厂锅炉燃烧工况好坏的同时，对燃烧工况模式识别的研究具有重要的价值和意义。 本文对燃烧工况识别系统的研究分别从特征提取与分类器设计两方面进行。 对于特征参数的提取，运用小波包分析的方法，将锅炉炉膛压力波信号作为参数进行频带能量分解。小波包对信号的频带能量分解涉及各频带中全部信号的能量，包括非平稳、非线性信号的能量。国内外普遍采用的FFT频谱分析，只是选取某些特征频率的幅值来进行监测诊断，而小波包分析能够为信号提供一种更加精细的分析方法：在全频带对信号进行多层次地频带划分，实现了将信号无冗余、无疏漏、正交地分解到独立的频带内，从而提高了频率分辨率。对工况压力波信号进行三层小波包分解实现了对信号较优的小波包分解，将它们作为特征量可实现对锅炉燃烧状态的特征提取进而分类识别。 对于分类器的设计，主要应用支持向量机，针对燃烧工况模式识别小样本问题，在训练样本很少的情况下达到很好的分类效果。与传统的学习方法相比，SVM不存在局部极小、隐层节点数的选择和维数灾难等问题。本课题研究采用支持向量机作为工况模式识别分类的方法原因也在于此，实验结果表明该系统具有良好的识别分类性能。