支持向量回归机主要应用于求解回归问题,其学习效果很大程度上取决于核函数的选择。对于核函数的研究,从最初的单个核函数的研究,到近几年的多核学习方法,一直都是支持向量机理论研究的热点问题。目前,关于多尺度核支持向量回归机的论文中,大多数的作者对核函数的研究仅限于多尺度化一个高斯径向基核函数或某个具体的小波核函数。而在实际问题的应用中,高斯径向基核函数具有很好的学习能力,但是其泛化能力不高,而多尺度小波核函数支持向量回归方法具有较好的泛化能力,因此我们将两者进行加权求和,构造出一个新的核函数,使其能够充分体现两种核函数各自的特性。为了提高支持向量回归机模型的预测效果,除了选择或构造合适的核函数以外,还要求确定模型的最优参数。针对本文模型的参数,采用DBCSAN聚类算法确定尺度个数,分别用离散系数和上四分位数来确定高斯径向基核函数和小波核函数的宽度参数,剩余的模型参数即惩罚系数、核函数权系数和损失函数参数则通过混沌遗传算法搜索得到。最后为了验证模型的性能,与其他三种模型进行比较——单核SVR模型、多尺度高斯径向基核SVR模型和多尺度小波核SVR模型。通过对三个UCI的回归数据集进行实验,分析所得到的结果可以证明基于新的多尺度核函数的支持向量回归机模型预估效果最好。