工业网络时延的测量和预测是分析工业网络性能的一种重要方法。关于网络时延测量和预测方面的应用衍生了许多新技术和新工具,为网络控制系统性能的优化提供了不同的研究方法和解决手段,如何建立时延预测和测量的模型以及运用什么手段解决这些问题也已经成为当前研究的主要潮流。本文研究基于ε—SVR(Support Vector Regression,ε为不敏感参数)工业网络静态时延和动态时延的测量和预测相关理论和建模方法,其主要工作包括:为了实现对网络时延数据的采集,本文对网络时延的测量方法进行了研究和讨论,重点讨论了网络端到端时延测量的方法和工具。并通过采用Ping法网络往返时延测量方法获取网络系统中网络节点端到端时延测量数据,为建立网络时延预测模型准备数据样本。为实现对静态工业网络时延的预测,对采集到的时延数据进行了数据处理和样本建立,建立了基于ε—SVR静态工业网络时延的预测模型。应用支持向量回归理论,采用RBF(Radial Basis Function)核函数,建立静态时延样本预测模型,推导决策函数,最后确立决策函数中待确定的系数。针对所建立的静态工业网络时延预测模型,应用MATLAB中的RBF函数进行了仿真研究,通过改变预测模型中心宽度,感知单元个数以及样本数据包大小,讨论了参数对该静态网络时延预测模型预测效果的影响。基于ε—SVR静态工业网络时延预测模型仅仅能对离线的静态时延数据完成预测分析,不能实现对实时变化的动态网络时延的预测分析。因此本文分析了动态工业网络时延数据的特点,在静态工业网络时延预测模型的基础上,进一步研究了基于ε—SVR动态工业网络时延预测模型的建立方法。该方法将持续变化的动态网络时延数据进行了分段处理,设定了样本数据的长度,给出了样本数据集合的修正方法,采用高斯径向基核函数,建立了基于ε—SVR动态工业网络时延预测模型,推导了动态工业网络时延预测模型的决策函数,给出了待确定参数的数学表达式。为了验证动态网络时延预测模型的可行性,设计了动态工业网络时延的预测算法,基于实验测量数据样本,根据选定的样本数据集合的长度,对一段样本数据进行了仿真训练。通过仿真结果计算出时延预测误差,并且对仿真结果进行了分析,验证了基于ε—SVR动态工业网络时延预测模型的可行性。