产品设计时间预测存在小样本、不确定数据、高度非线性和异方差噪音等问题，常规的支持向量机模型不能取得满意效果。产品设计活动的过程虽然缺乏统一框架指导，但并不是没有知识，在预测模型中嵌入相关知识可提高预测效果。为了更好地分析和控制产品开发时间，预测模型需提供除预测值以外的其它有用信息。本文针对产品设计时间预测中的问题，提出了四种新的模型。首先在核近似中，即在支持向量回归的一种线性规划形式中，嵌入相关知识，给出不确定数据的处理方法，并通过算例对该算法的性能进行了评估。然后针对模糊支持向量回归没能考虑异方差噪音的问题，提出了基于带有参数不敏感损失函数的模糊支持向量回归的产品设计时间预测模型。将概率约束条件与带有参数不敏感损失函数的支持向量回归相结合，提出了概率支持向量回归模型，并嵌入相关知识。最后，假定核函数回归模型的权重向量服从高斯分布，以最小化相对熵为优化目标，提出了基于高斯间距核回归的产品设计时间预测模型。　　 具体说来，主要在如下四个方面进行了研究:　　 1.建立基于核近似的产品设计时间预测模型。针对产品设计时间预测存在小样本、不确定数据、高度非线性等问题，将不确定数据处理成区间数，在核近似中引入Hausdorff距离，并将含有区间数的知识转换成核近似可嵌入的不等式，证明了知识转化的充分性，提出相应的产品设计时间智能预测方法，给出相关参数的优选方法。进行了注塑模具设计的实例分析，并减少训练样本以观察核近似模型性能的变化，结果表明基于嵌入知识的核近似的设计时间预测方法是有效的，且训练样本的减小并没有带来预测性能的显著下降。　　 2.建立基于模糊支持向量回归的产品设计时间预测模型。针对产品设计时间预测存在小样本、不确定数据、异方差噪音等问题，将模糊回归理论与带有参数不敏感损失函数的支持向量回归相结合，基于Necessity模型构造约束条件，提出带有参数不敏感损失函数的模糊支持向量回归，证明了其对偶优化问题中的拉格朗日乘子αi和αi*必定满足αiαi*=0。给出相应的设计活动时间智能预测方法和相关参数的优选算法。与模糊支持向量机相比，该模型的优化问题规模更小。进行了注塑模具设计的实例分析，结果表明基于带有参数不敏感损失函数的模糊支持向量回归的时间预测方法是有效和可行的，并减少训练样本以观察模型的性能变化，结果表明该模型仍可提供有价值的信息。　　 3.建立基于概率支持向量回归的产品设计时间预测模型。在异方差回归模型基础上设计概率约束条件，结合带有参数不敏感损失函数的支持向量回归确定优化目标，提出两种形式的概率支持向量回归。对于第一种形式的概率支持向量回归，嵌入最小方差信息，证明了ε-支持向量回归模型是该模型的一种特殊形式，证明了若该模型以高斯径向基函数为核函数，其对偶优化问题中有关拉格朗日乘子λ的解有界。对于第二种形式的概率支持向量回归，证明了该模型可转换为带有参数不敏感损失函数的支持向量回归。将最大完工时间知识嵌入进概率支持向量回归的约束条件，将交叉验证与遗传算法相结合确定概率支持向量回归的相关参数。概率支持向量回归可同时给出预测值和预测区间，从而可提供更多的产品设计时间信息。进行了注塑模具设计的实例分析，并减少训练样本以观察概率支持向量回归模型的性能变化，结果表明基于第一种形式的概率支持向量回归的时间预测方法是有效的，训练样本的减小并没有带来预测值精度和预测区间有效性的显著下降;对于第二种形式的概率支持向量回归，尽管其预测区间的有效性会显著下降，但是其预测精度得到较好保持。　　 4.建立基于高斯间距核回归的产品设计时间预测模型。假定基于核函数的回归模型的权重向量服从高斯分布，以最小化相对熵为优化目标，利用预测值的置信区间设置约束条件，构造可同时给出预测值和预测区间的高斯间距核回归模型。利用样本的独立性和异方差性对优化问题进行转化，证明高斯间距核回归模型具有较好的推广能力。设计求解相应优化问题的迭代方法。假定样本是同方差的，提出一种简化高斯间距核回归模型，并基于两层遗传算法完成参数辨识。以注塑模具设计的实例进行分析，并减少训练样本数量以观察高斯间距核回归模型的性能变化，结果表明尽管高斯间距核回归的预测区间的有效性会随着训练样本数量的减小而下降，但高斯间距核回归的预测值的精度会得到良好保持，基于高斯间距核回归的时间预测模型是可行有效的。