20世纪60年代,Vapnik及其合作者提出了利用经验数据进行机器学习的统计学习理论(Statistical Learning Theory,简称SLT)。SLT是一种可应用于小样本分析的统计理论,具有较强的实用性。支持向量机(Support Vector Machine, SVM)是基于统计学习理论和结构风险最小化原理提出的一种有监督的新的机器学习方法,被公认为小样本情况下统计学习的经典。与多元非线性回归(MNR)等其它学习方法相比,SVM具有较好的泛化和学习能力,已被广泛的应用于诸多领域。本论文对超导元素的实验数据集进行特征选择,再利用支持向量回归(SVR)进行回归分析,比较了SVR和MNR的预测结果。同时用SVR方法对实验数据集(沥青生产过程中的软化点、掺杂二硼化镁体系的超导转变温度和以Ni/Al为底层等离子喷涂FeO4粉的结合强度)直接进行预测,并利用粒子群算法对材料合成工艺参数进行了寻优和因素分析。本文研究的主要内容有:①对常用的特征提取和选择方法进行了综述,介绍了灰关联分析、灵敏度分析、信噪比、熵标准、遗传算法(GA)、主成分分析法(PCA)、粒子群寻优算法(PSO)、模拟退火算法(SA)和其他常用的特征选择方法的算法、及其优点和缺点等。②对SVR原理进行了详细的叙述,并介绍了其算法、实现和发展。介绍了几种常用的回归方法及其原理,包括广义神经网络、MLR、岭回归。分析了它们的优点和缺点。③根据超导元素的实验数据集,应用灵敏度分析对数据集进行特征提取,然后用支持向量回归方法对它们的超导转变温度进行了建模和预测,并对它们预测结果与MNR进行了分析比较;根据掺杂MgB2系超导体的实验数据,SVR应用超导体系的拓扑描述符对超导转变温度进行了预测和比较;根据生产过程中沥青的实验数据集,SVR方法对沥青的软化点进行了有效的预测;根据等离子喷涂FeO4粉的实验数据集,SVR对以Ni/Al为底层等离子喷涂FeO4粉的结合强度进行了预测。④在已建好的支持向量回归模型的基础上,对材料的合成工艺参数进行寻优,并在寻优结果的基础上对其合成工艺参数进行了多因素分析。从研究结果可以看出,灵敏度分析结合SVR或者直接利用SVR的预测效果要明显优于MLR和MNR方法。表明支持向量回归是一种有效的实验数据处理方法。