锅炉燃烧产生的烟气成分直接体现了锅炉的燃烧工况,是锅炉的优化运行和经济燃烧的重要指标之一,因此有必要对烟气成分进行分析。支持向量机(Support vector machine, SVM)是基于统计学理论上的一种新机器学习的方法。SVM较好地解决了小样本、高维数等实际问题,现已广泛的应用于回归估计及模式识别等问题中,SVM的这些优点为基于数据的烟气成份分析研究提供了理论基础和研究思路。本文采用SVM理论构建一种基于数据的非线性系统模型,基于此模型,对难以在线测量的烟气成分进行建模。首先针对最小二乘支持向量机(LS-SVM)缺失稀疏性的问题,提出了一种稀疏性LS-SVM,使LS-SVM重新获得了稀疏性解,提升了算法的速度,也为对象复杂和大数据量的烟气成分建模提供了一种数据预处理方面的新方法;其次研究了支持向量、中心距离比、增量学习及边界样本间的关系,提出了一种处理不均衡数据的LS-SVM方法,该算法有效的提高了LS-SVM对不均衡数据分类的正确性,并利用此算法思想对烟气成分中的NO x进行建模,为数据分布不均衡的复杂工业系统进行建模提供了一种理论参考;最后利用上述的稀疏性算法思想,并结合粒子群优化算法,提出了一种基于LS-SVM的烟气成分建模方法,本文算法弥补了传统LS-SVM方法建模时缺失稀疏性的问题,提升了模型的精度及泛化性能,通过对电厂烟气含氧量的实际数据建模,也证明了本文所提出的建模方法的有效性,为锅炉的优化运行提供了基础。