支持向量机(SVM,Support Vector Machines)是在统计学习理论基础上发展起来的一种新的机器学习方法,具有理论完备、全局优化、泛化性能好、算法复杂度与特征空间维数无关等优点,在非时变系统模式判别和拟合中具有良好的应用效果。针对现有的支持向量机方法在解决时变系统动态模式分类和非线性回归等问题时的不适应性,论文提出了输入可为时变函数的过程支持向量机(PSVM,Process Support Vector Machines)模型。具有过程式输入的过程支持向量机是更一般化的支持向量机模型,它放宽了传统支持向量机对输入的同步瞬时限制,拓宽了支持向量机的应用领域,很多实际应用可归结为此问题。因此,研究过程支持向量机模型的拓扑结构、核函数信息变换机制及学习算法等,在时变系统的过程信号模式识别、动态系统建模以及函数拟合等方面具有重要意义。论文概括性的介绍了传统支持向量机的理论背景、基本思想及学习算法等,在此基础上对过程支持向量机的映射机制、核函数性质进行了分析,提出了基于正交基函数展开的过程支持向量机和基于核变换的过程支持向量机,并对其模型、学习算法等相关问题进行了研究。基于正交基函数展开的过程支持向量机利用函数空间与高维向量空间的同构原理,在同构映射下,把时变函数空间的信号分类问题转换为高维实向量空间的模式分类问题,借助传统支持向量机方法,有效解决了时变函数模式识别问题;基于核变换的过程支持向量机由于采用了新的过程核函数,能够有效处理系统输入的过程信号或时变函数,并且它与三层前馈过程神经元网络具有等价性。油田开发中油水层判别实验证明了基于核变换的过程支持向量机比基于正交基函数展开的过程支持向量机具有更好的动态模式分类能力。最后,论文将用于求解模式识别任务的过程支持向量机扩展到回归分析问题中,提出了基于ε-不敏感损失函数的过程支持向量回归机(PSVR,Process Support Vector Regression),构建了基于GASA混合策略的参数优化选择方法,并将其用于时间序列预测中,从泛函分析的角度出发,把时间序列预测问题转化为泛函逼近问题,因而,过程支持向量回归机更适合于解决含有时变因素的复杂非线性系统的仿真、建模和求解问题。