十二五以来,国家大规模的基础设施建设形势仍在继续,并且规模在逐渐扩大,人工冻结法作为一种安全性高、可控性好、适应面广、经济合理且对环境友好的施工方法,在隧道工程、地铁工程、道路工程、桥梁基础等多方面有着越来越广阔的应用空间；同时作为冻结法应用最早也是目前最普遍、技术最成熟的领域——煤炭凿井工程方面,施工正朝着大直径、深地层、多圈冻结、地质条件更复杂方面发展。如何能够准确及时地掌握冻结温度场的发展情况,是影响建立冻结法施工的信息化平台、预测冻结施工安全和工作内容安排的关键点之一。本文依托冻土研究所信湖煤矿研究课题,监测了副井冻结全过程的温度数据,在对温度测点数据整理的基础上,对几组有代表性的地层冻结过程温度场特性进行分析。比较了不同地层的温度变化过程,计算得出温降速率等指标；同时对于不同测温孔的相同地层温度变化及温降曲线,加以详细的分析。文章旨在探索人工冻结温度场预测的新方法,建立了基于支持向量机算法的温度场模型,相对传统算法,SVM在解决高维、非线性、小样本的问题时有着天然的优势。目前温度场研究方法有解析法、数值法、智能算法等。但是对于复杂地质条件下的多圈管冻结解析法和数值法局限性很大,甚至完全无法满足工程需要。SVM有着坚实的理论基础,已经被广泛应用,虽然在人工冻结温度场领域,研究较少,但是其广阔的应用前景值得肯定,必将是未来人工冻结温度场预测研究的一个新方向。在冻结温度场预测模型的建立过程中,SVM的参数选择直接关系到温度模型计算的复杂性和泛化能力,而由于地质条件和采用的工程技术不同,经验选取盲目性较大,有鉴于此,采用优秀的寻优算法粒子群法(PSO)来需找最优参数。本文进行了无寻最优参数的SVM法预测冻结温度,而后运用PSO-SVM算法建立冻结温度模型,对比分析的结果表明：整合而成的PSO-SVM算法学习温度样本可以使建立的温度模型将更加合理,预测精度更高且具有较好的推广能力。