现如今,依托于各领域科技的快速发展,多项工业难题逐渐被攻破,越来越多的先进技术应用于实际的工业生产之中。工业过程逐渐朝着信息化的方向迈进。在实际的工业生产过程中,通过各个测量环节的加入与大量传感器元件的应用,代表着生产过程状态的大量数据由此产生。当系统的某一环节出现非正常工况时,相应环节的测量数据也会有所体现。由于传统的系统机理建模方法面对越发复杂的实际过程来说变得更加困难,所以如何基于数据驱动的方法解决工业过程中的故障诊断问题并提升经济效益逐渐被学术界以及工业界所关注。因此,面对大数据量的工业生产过程,利用支持向量机的方法对于复杂非线性过程的典型非正常工况的分类问题进行研究具有重要的理论以及现实意义。本文分析了支持向量机的背景理论,推导演绎了其建模方法。针对大数据量的复杂非线性工业过程,首先设计了循环特征选择算法对于基本的支持向量机模型进行改造。其次根据主成分分析法,对于支持向量机建模的特征选择过程进行改善。利用实际的工业过程数据,分别利用三种支持向量机模型进行故障诊断,并对于各个模型的结果进行讨论分析。结果表明,经过循环特征选择法改进的支持向量机模型表现出优异的性能。针对故障检测问题,利用支持向量机和主成分分析的两个统计量指标,结合由循环特征选择法算法挑选出的最相关变量对于典型的非正常工况进行了非常有效的故障分析和检测。对于支持向量机解决回归问题,进行了深入的研究。结合实际的非线性经济数据,利用支持向量机回归算法和最小二乘支持向量机算法建立模型,根据相关的特征变量对于关键的经济学指标进行有效的预测分析。利用偏最小二乘法对于支持向量机以及最小二乘支持向量机算法的回归性能进行对比验证。由鸟群的在生物学中的表现发展而来的粒子群算法被作为特征提取算法对于原始数据进行处理。结果表明,支持向量机在解决非线性数据的回归预测问题上表现优异。