随着我国轻工业迅速发展，对生产过程自动化程度要求不断提高。同时，由于轻工发酵过程的高度非线性以及生物传感器的缺乏，使一些重要的过程变量无法进行在线测量，以致难以实现发酵过程的优化控制。因此，通过对发酵过程建模，对不可在线测量变量(基质浓度、菌体浓度和产物浓度)进行软测量就显得非常重要了。 首先，在综合和大量文献的基础上，对发酵过程建模方法进行了分析。 其次，在对最具代表性的误差反向传播神经网络(Back Propagation，BP)用于发酵过程建模进行分析的基础上，将基于结构风险最小化原则(Structural Risk Minimization，SRM)的支持向量机(Support Vector Machine，SVM)建模方法用于发酵过程建模。仿真结果表明SVM解决了神经网络容易出现的泛化能力弱等问题，但同时也存在着抗噪能力弱和训练时间较长的缺点。 再次，针对SVM在抗噪能力上的缺陷，提出了基于欧氏空间的模糊支持向量机(FuzzySVM，FSVM)。仿真结果表明，FSVM能够有效的提高过程量有较大变动时的仿真精度。随后，针对SVM及FSVM训练时间较长的问题，综合比较了分解算法、分块算法以及序列最小优化算法(Sequential Minimal Optimization，SMO)，结果表明SMO算法训练时间明显缩短。并且通过改进训练时的阈值条件，提出了改进型的SMO算法，进一步提高了训练速度。 最后，在对轻工发酵过程建模方法研究基础上，利用VB在界面设计方面的优势，结合Matlab强大的计算能力，开发了一套轻工发酵过程集散控制系统监控软件。