传统的PCA技术可以对工业过程当前的状况进行监控，但难以预测系统未来的运行情况。为此，论文提出建立组合预测模型，实现对PCA综合监控统计量的预测。首先，改进了最小二乘支持向量机模型（LSSVM），以提高模型预测的自适应性；进而结合改进的灰色理论模型(GM(1,1))建立组合模型，实现PCA综合监控统计量的长期预测监控。论文的主要工作如下：1、改进了基于K邻近（K-NN）的LSSVM长期预测方法，动态优化模型的自身参数以及嵌入维数，提高了其在线预测的自适应性；2、在线时对PCA综合监控统计量的移动窗体数据进行滤波，对处理后的数据建立基于K-NN的LSSVM预测模型，并且提出在移动窗体最近部分数据的基础上建立基于误差补偿的GM(1,1)预测模型，实现组合预测。该组合模型能够避免误差滚动传播的问题，自适应性强而且能够对系统状态进行长期预测监控；3、选取一类多变量动态过程以及某石化公司常压加热炉过程等两个实例作为研究对象，对其进行建模预测，并且与传统的LSSVM、神经网络预测进行对比，验证所提方法在长期预测监控中的有效性，特别适用于缓变故障的长期预测。最后设计基于Matlab GUI的应用界面，仿真运行效果良好。