铝电解过程是一个非线性、多变量、大滞后的复杂工业对象,且它的某些重要工艺参数难以在线实时检测；因此常见的PID控制、自适应控制等都难以取得理想的效果。最小二乘支持向量机是机器学习领域近年来涌现出的一种新颖的通用学习方法,它建立在结构风险最小化原则基础上,能较好地解决小样本、非线性、高维数和局部极小等实际问题,已成功地应用于分类、函数逼近和时间序列预测等方面。本文先进行基于最小二乘支持向量机的建模与控制研究,然后将部分研究成果应用于铝电解过程的建模与控制,取得了满意的效果。本文主要做了以下四项工作：（1）电解温度、氧化铝浓度和极距是铝电解过程中非常重要却又难于测量的三个参数,因此本文提出一种基于最小二乘支持向量机和粒子群优化的PSO LS-SVM算法,建立这三个参数的软测量模型。该算法考虑最小二乘支持向量机的算法参数的选取问题,先定义预测误差的平方和的算术平均作为适应度函数,然后采用粒子群优化技术在可行域内不断迭代搜索,使适应值不断减小,最终得到最优的算法参数,以及对应的模型参数。仿真结果表明：PSO LS-SVM算法建立的软测量模型,无论是学习能力还是泛化能力,均好于神经网络模型,证明了该算法的有效性和优越性。（2）研究了基于最小二乘支持向量机的预测控制。针对多入多出、约束非线性系统,提出上、下位机两级控制结构,推导了基于最小二乘支持向量机和混沌优化的单步预测控制算法：CHAOS MPC算法。该算法考虑控制量的约束,采用混沌优化技术在其可行域内遍历搜索,在线求解最优的预测控制律。仿真结果表明该算法的控制精度要高于基于神经网络的单步预测控制算法。类似的,针对多入多出、约束非线性、时滞系统,提出上、下位机两级控制结构,推导了基于最小二乘支持向量机和混沌优化的多步预测控制算法：CHAOS MPC₁算法,采用混沌优化技术在线求解最优的预测控制律。仿真结果表明该算法的控制精度要高于基于神经网络的多步预测控制算法。（3）研究了基于最小二乘支持向量机的预测控制系统的稳定性问题,提出一种确保闭环系统稳定性的双模控制算法。首先在常规的预测控制性能指标后附加一个人为的终端约束,并利用Lyapunov方法推导了在该情况下确保闭环系统大范围渐进稳定的稳定性定理。然后据此提出一种确保全局稳定的基于最小二乘支持向量机的双模控制算法：先采用预测控制将状态驱动到终端约束集内,然后再切换到局部线性控制以减少在线计算量,使状态最终驱动到原点。仿真结果表明了该算法的有效性和优越性。（4）将部分研究成果应用到“铝电解过程先进控制系统的设计与开发”横向课题中,取得了满意的效果。首先提出一种基于最小二乘支持向量机的氧化铝浓度控制,该方法采用PSO LS-SVM算法建立氧化铝浓度的预测模型,并采用CHAOS MPC算法实施可靠的氧化铝浓度预测控制。然后提出一种基于槽电阻滤波和专家经验的槽电阻控制。最后将最小二乘支持向量机、模糊控制和专家系统三者有机融合,提出一种基于最小二乘支持向量机的槽况解析与维护专家系统。系统运行结果表明：采用上述方法,可比原来的方法提高电流效率2.1%,直流电耗减少338kW.h/t-Al,节能降耗效果明显。