动态检重系统常常应用在工业生产操作现场，由于受环境因素的干扰和自身的高速运转，其检重精度偏差较大。仅从硬件方面改善系统性能不仅耗时耗力，且成本高昂。相比较而言，通过软件算法来改善系统性能不仅成本低，灵活性强，且易于推广，具有重大研究意义。本文以自主研发的动态检重系统为实验平台，探讨动态检重系统的数据处理算法。由于检重过程干扰较多，信号复杂，本文将动态检重系统的数据处理工作分为两个部分，即系统的数据预处理以及系统检重值的终值预测。通过数据的预处理，可以初步滤除系统的干扰噪声；滤波预处理后的数据被作为输入样本进行终值预测模型建模，将所建立的模型用于系统的终值预测，终值预测就是用非稳态的测量值来预测系统稳态的检重值，以提高系统检重效率。数据预处理部分使用低通滤波算法和卡尔曼滤波算法，比较两种算法，讨论适用的数据预处理算法。终值预测部分，为了得到适合的终值预测算法，使用了主成分回归（PCR）和最小二乘支持向量机（LS-SVM）两种算法，以此来比较线性与非线性算法对于动态检重系统的适用性。将原始样本以及经过滤波预处理所得到的数据样本都作为模型训练的输入样本，通过对模型进行检验，得出适合动态检重系统的数据处理方法。在MATLAB环境下，通过比较所建立的终值预测模型的预测均方误差和R2统计量的大小，来探讨最适合用在动态检重系统中的终值预测模型。其中，用主成分回归进行建模时，首先根据输入样本情况进行主成分提取，再利用提取的主成分进行线性回归建模，得出最终的预测模型，经过检验得出其中预测效果最好的模型R2统计量为0.5784，均方误差为103.2851。另一方面，利用最小二乘支持向量机进行建模的时候，用同样的输入样本进行模型训练，得出预测模型，并利用检验样本数据对模型进行验证，最好的预测模型R2统计量为0.9676，均方误差为84.5110。最终结果表明，基于最小二乘支持向量机的非线性终值预测模型更加适用于现场环境干扰较多的动态检重系统，能够有效提高检重系统的效率和精度。