在卫星热平衡试验中,热平衡温度随时间变化的过程实际上是一个随时间累积的过程。过程神经网络虽能很好地体现这种时间累积效应,但其泛化能力不强。传统支持向量机具有较好的泛化能力,但难以精确反映上述时间累积效应。本文针对卫星热平衡试验的实际需求,在对过程神经网络和传统支持向量机的优缺点进行分析的基础上,提出一种新的学习机器——过程支持向量机,对其机理进行深入研究,并将其应用于卫星热平衡温度预测。本文首先对过程神经网络的泛化问题进行研究,给出提高泛化能力的方法。在对支持向量机回归理论研究的基础上提出了过程支持向量机模型。过程支持向量机的输入是时变函数,其核函数的内积运算是两个函数的乘积,运用积分算子将函数乘积转化为数值,并用正交基函数来简化积分运算。从而过程支持向量机能够对时变系统建模,并用仿真案例来证明过程支持向量机能够更好的体现时变系统中的时间累积效应,能够提高预测精度。核函数是过程支持向量机的核心。核函数通过将输入映射到高维特征空间,实现线性处理。本文对过程支持向量机的核函数性质和构造方法进行了研究,给出了输入是时变函数情况下的不同核函数的具体形式和核函数的选择方法。核参数、正则化参数和不敏感系数是影响过程支持向量机泛化能力的主要因素,本文提出粒子群优化算法对上述参数进行组合寻优,以得到具有较好泛化能力的过程支持向量机。本文还提出最大速度非线性递减策略,来提高参数寻优精度。卫星的空间环境及其累积效应是影响卫星性能和寿命的主要因素,为保证卫星运行的可靠性,在发射前应在地面对其进行充分的热平衡试验。为缩短热平衡试验周期,降低卫星研制成本,应大力开展卫星不稳定热平衡试验方法研究,即开展卫星热平衡温度预测研究。为此,本文在上述理论研究的基础上,提出一种基于过程支持向量机的热平衡温度预测方法,应用结果表明:由于能够更好的体现热平衡温度变化过程中的时间累积效应,因而与传统支持向量机相比,本文所提出的方法具有更高的预测精度;而与过程神经网络相比,本文所提出的方法具有更好的泛化能力,更适合用来解决实际工程问题。因此,本文的研究具有一定的理论意义和较高的实用价值。