传统统计学研究的是假设样本数目趋于无穷大时的渐近理论，现有的机器学习理论都是基于这个假设；而统计学习理论研究的是小样本情况下的机器学习理论，这对于实际系统来说是有利的。支持向量机（SVM）就是在这一基础上发展起来的新一代学习算法，它由Vapnik等人于1992年在计算机学习理论会议上提出。支持向量机具有训练样本小、拟合精度高、全局最优、泛化性好等特点，但将其用于控制方面的研究还是起步阶段，故本文考虑将支持向量机用于预测控制方面的研究。 本文详细地介绍了统计学习理论和支持向量机基本原理，阐述了支持向量机回归的实现过程；研究了支持向量机回归建模；并且对采用支持向量机建立的模型进行预测控制。具体内容可以概括如下： 首先利用支持向量机进行系统建模研究；阐述了支持向量机回归原理，并且研究了采用支持向量机的系统建模以及建模过程中存在的问题，分析了影响模型精度的几个因素；其次，本文研究了支持向量机改进学习方法。由于常规的支持向量机算法对于样本数目较大时，训练时间较长。本文根据现有的方法，仿真研究了几种改进学习算法，如增量法和分块算法。实验证明这些方法在训练时间上大大缩短了；再次，本文提出支持向量机在线学习方法。由于在线建模最重要的特征是实时性，常规的支持向量机学习方法训练时间长，不能满足实时性的要求。本文根据增量学习方法提出了在线学习方法，通过仿真研究，证实了在线学习 方法的有效性；最后，本文将支持向量机用于预测控制研究。利用支持向量机具有很好的非线性建模特性，本文采用支持向量机对PH中和过程进行建模并进行预测控制；在预测控制过程中，采用变优化权值的方法，取得了较好的控制效果。