支持向量机是建立于统计学习理论基础上的一种新的通用学习方法,近年来得到了迅猛发展和广泛应用。传统的支持向量机回归算法(Support Vector Regression:SVR)只适用于单输出系统,在处理复杂多输出系统时常采用构造一系列单变量SVR的方法,不仅训练速度慢而且精度较差,所以如何构建既具有快的训练速度又能保证精度的多输出SVR算法并将其应用到实际系统的建模与控制中,具有十分重要的理论研究和应用价值。为提高多输出SVR算法的训练速度,本文首先从解的稀疏性出发,构造了多变量稀疏SVR算法。接着提出一种基于启发式训练算法的多输出SVR算法,通过引入相似度的概念,去除相似度值大于给定相似度阈值的训练样本点,以达到缩减训练样本的目的,从而提高训练速度。针对数学函数模型的仿真实例表明,两种不同的多变量SVR方法不仅能够保证模型精度,而且相比于常规多输出SVR算法训练速度大大提高。最后,将上述方法应用到实际过程：甲基丙烯酸甲酯的间歇聚合反应。建立聚合反应多变量输出模型,并基于此模型进行优化计算,得到最佳温度控制曲线,使得转化率和数均分子量符合要求。通过三种方法的仿真建模比较发现,启发式多输出SVR建立的模型精度较好,而且所用训练时间比前两种方法少得多,更适合实际过程应用。