木材是一种可再生、又可多次循环回用的资源,加以性能优异、对环境友善、能耗亦低,是世界公认的绿色材料之一。木材干燥是保障和改善木材品质、提高木材利用率的重要环节。木材含水率(MC)是调控干燥过程、决定干燥质量的关键参数之一,而木材纤维饱和点(FSP)是木材性能重要的转折点。由于电测法是检测木材水分中离子团迁移及灰质等无机物的等效电阻值,而纤维饱和点含水率是自由水蒸发完,吸附水仍存留于细胞腔里的木材含水率转折点,此区间木材的直流电特性具有不稳定性。经实验观察,用电测法测量木材纤维饱和点近区段含水率会出现测量值突然偏离真值的现象,即出现测量“盲点”。要进一步提高木材干燥过程中含水率全量程的检测精度,需要解决木材纤维饱和点近区段含水率的检测问题。本文首先研究了统计学习理论和支持向量机(SVM)模型。阐述了机器学习问题、经验和结构风险最小化原则、学习机的VC维等基本理论；详细分析了支持向量机的基本原理并且对回归理论进行了详细阐述。然后介绍了BP神经网络的基本原理,拓扑结构和映射关系；分析了BP神经网络的训练算法及算法构成思想。在研究木材含水率检测原理的基础上,本文提出支持向量机和BP神经网络两种方法对已测含水率数据进行训练建模,然后预测得出纤维饱和点近区段含水率数值。仿真结果表明,BP神经网络利用小样本数据训练,经常在预测时出现“过适配”现象；利用大样本数据训练,在预测时泛化能力较强,可以达到比较准确的预测效果。支持向量机预测精度比BP神经网络预测精度高,而且只需要少量样本数据就可以实现预测,很好的解决了木材纤维饱和点近区段含水率预测问题。干燥窑内的温度是干燥过程重要的控制变量,由于高温、高湿的干燥环境,以及风机继电器的启停等干扰因素存在,降低了温度传感器的检测精度。本文基于参数估计理论,提出了一种基于自适应加权的时间和空间两级融合方法。该方法不要求测量数据的先验概率分布知识,编程简单,计算量小,可有效去除干燥窑内温度传感器测量数据中的误差,提高窑内温度的检测精度。