随着生物技术的发展,由发酵工程提供的产品日渐丰富,微生物发酵工程在国民经济和社会生活中的地位越来越重要。为提高发酵过程的产品得率和产品质量,获得较好的经济效益,需要对发酵过程进行优化控制。但是由于发酵过程复杂的生化特性,发酵过程的许多重要特征参数(如菌体细胞浓度、基质中葡萄糖浓度、生成产物浓度等)还不能够很好的在线实时测量,给发酵过程优化控带来了困难,使得先进的控制算法和控制策略难以在发酵工业现场有效应用。本文以北京棒杆菌培养产生赖氨酸发酵过程为研究对象,采用支持向量机回归算法建立软测量模型,对发酵过程中的三个重要变量进行预测。支持向量机有严格的理论基础,通过结构风险最小原则和推广性的界的实现,可实现数据样本空间的唯一全局寻优。实验和仿真结果表明,软测量模型能够较准确的输出估计值,在小样本训练集的情况下,具有更好的推广能力和预测能力,为发酵过程优化控制提供了前提条件。本文所做的具体研究如下:1、在大量阅读消化文献和赖氨酸发酵实验的基础上,依据实际发酵过程微生物生长代谢曲线,分别建立了径向基神经网络软测量模型和基于标准支持向量机的软测量模型。对赖氨酸发酵过程中的参数(生物量、糖浓度、产酸浓度)进行预测估计,并对两种模型的性能进行了研究和比较。2、对软测量辅助变量的选取和数据的预处理方法进行了研究,采用一致相关度分析法确定辅助变量,并且用聚类方法对原始数据进行处理。3、在标准支持向量机的基础上,对原有算法进行了改进,分别建立最小二乘支持向量机软测量模型和鲁棒最小二乘支持向量机的软测量模型。根据实验和模型的仿真结果,并对二者的算法和模型性能进行了分析和比较。4、根据发酵过程优化控制的需要,提出了组合式多输入多输出支持向量机回归算法软测量模型,对模型的算法的和参数选取进行了研究,并对两种组合模型进行了仿真。