动液面数据是油田生产中重要指导数据之一，通过动液面可以推算出相应的井底流压大小，指导抽油机调整其抽油频率，使其达到合理抽油状态。然而，动液面的测量比较困难，相应技术发展至今，较为常用的有浮筒法、示功图法、压力测量法和回声探测法。上述方法均属于机理方法，都无法改变人工操作时随之而来的巨大工作量及安全性等问题。因此，本文采用软测量方法，来逐步代替人工测量，从而避免上述问题的发生。本文针对动液面测量问题进行了研究与讨论：通过对软测量技术整体的研究及对比分析，选取了最小二乘支持向量机（LSSVM）作为对动液面数据建立预测模型的核心算法。系统搭建前本文对动液面时间序列进行了较为深入的研究分析，并发现其具有混沌特性。依据目前相关理论表明，软测量技术还无法实现对混沌时间序列的长期较精准预测量工作，且对于具有混沌特性的时间序列需要在相空间中进行分析与建模。因此本文将动液面时间序列进行了相空间重构，充分挖掘动液面时间序列的潜在的数据信息，为后续系统搭建提供了可靠的基础性保证。本文采用黑洞算法来解决对LSSVM参数赋值的问题，替代了原有方法，进一步完善了本套动液面预测量系统，提升了整套系统的自动化水平，避免了参数选择和后期调试所带来的麻烦。本文将LSSVM、PSO-LSSVM和BH-LSSVM三种方法进行了对比实验，实验结果表明BH-LSSVM方法寻优效果更佳，预测效果更好，误差在油田允许范围之内。而其他两种方法预测效果均不是很好。本文针对传统一步预测模型进行了修改，添加了三项辅助变量，并通过仿真实验验证了新模型的有效性，提高了对重构后动液面时间序列预测的准确性，更进一步地提升了系统整体性能。针对软测量模型更新时所遇到的“数据饱和”问题，本文分别采用了滑动窗法和遗忘因子法来加以解决。这两种方法各具优势，均可以在一定程度上解决“数据饱和”问题，具体选取可依照实际情况而定。本文所设计的动液面预测量系统实现了对动液面的短期连续测量，有效降低了油田工作人员工作量，避免了部分安全隐患，使得油田整体自动化水平得到了显著提升。