船舶电力负荷短期预测是船舶电力系统控制和规划的基础，其预测的精度将在很大程度上影响船舶运行的经济性和电力系统的稳定性。目前电力负荷短期预测的方法有很多，预测精度也在不断的提高。本文将电力推进船舶作为研究对象，以支持向量机理论为基础，结合其它方法完成电力推进船舶的短期负荷预测。本文首先采用混沌理论对电力推进船舶的混沌特性进行分析，同时完成了负荷时间序列的相空间重构以及最大Lyapunov指数的计算，验证了电力推进船舶负荷时间序列的混沌特性，为后续的预测工作奠定了基础。其次，针对支持向量机的参数选择问题，引入一种新的基于迭代局部搜索和自适应粒子群的组合优化算法来完成参数的自动选择。该优化算法继承了粒子群算法简单、优化能力强等优点，同时有效的克服了收敛速度慢及易陷入局部最优的缺点。通过各种函数的测试，验证了该算法的优越性。然后在预处理电力负荷时间序列的基础上，对训练数据集进行加权处理，建立预测模型，使用组合优化算法计算支持向量机的参数，之后将计算好的参数代入模型中进行短期负荷预测。仿真结果表明该方法相对于传统的支持向量机和人工神经网络方法具有更高的预测精度。最后通过小波分解，将电力推进船舶负荷时间序列分解为一系列具有一定规律的负荷分量。对每个负荷分量分别采用基于迭代局部搜索和自适应粒子群优化的支持向量机模型进行预测，合成后得到最终预测结果。仿真结果表明该方法能够进一步的提高负荷的预测精度。