随着经济全球化和信息技术的发展，社会活动中产生的事务和信息变得日益庞大和复杂，从而对信息的处理能力提出了更高的要求，实现业务流程的自动执行已成为当前信息化需求和建设的热点。现有研究在此领域的最新进展即是工作流技术的产生和应用，工作流作为一种现代管理思想和最新信息技术的结合，已经深入信息化建设的各个领域。特别是具有灵活性、动态性和自适应性的柔性工作流的提出和发展，符合了现在复杂多变的市场和竞争环境下的需求，引起更多学者的关注。柔性工作流研究的一个重要分支就是工作流异常研究，目前已提出了很多异常处理方法，但在异常预测方面却没有形成相对成熟的理论和方法，这也使得异常处理方法得不到有效的推广和应用。本文即是在这种背景下，对如何建立准确、高效的工作流异常预测方法进行了相关研究。 在分析了工作流异常类型和现有异常处理方法的基础上，本文指出异常处理研究成果难以得到推广应用的根本原因在于系统本身没有建立有效的异常预测方法和机制。而建立准确有效的预测方法需要有新的工作流建模方法和有较强学习能力的预测算法，预测的基础即是可量化描述的业务流程活动节点的执行状态信息。因此，本文在传统Petri网建模方法基础上，通过增加状态标识和能力标识，形成了可量化描述工作流运行实例状态信息的标识Petri网建模方法，并对该方法的性质和正确性进行了定义和分析。在该建模方法的基础上，结合工作流异常的特点，本文提出运用统计学习最新成果--支持向量机(Support Vector Machine，SVM)理论去构建工作流异常预测方法，并对该方法的可行性和具体实现过程进行了分析说明，形成了本文提出的基于SVM的工作流预测方法。在此基础上，结合异常处理中的ECA规则法，本文设计了基于Agent和知识管理的工作流异常处理系统模型，分析了该模型中异常的预测、识别、处理和反馈过程，使异常处理更具针对性和科学性，为异常处理研究提供了一个有价值的参考模型。 最后，本文通过一家纸包装企业的供应链工作流实例，说明了本文提出的标识Petri网建模方法和基于SVM的异常预测方法在实际中的应用，并对异常预测过程、参数选择和预测结果进行了详细分析。利用本文提出的异常预测方法，该工作流实例执行中的异常预测准确率平均达到80％以上，证实了本文提出的方法对于提高工作流异常预测精度的可行性和有效性。 工作流异常预测是异常处理和柔性工作流研究的基础，本文以此为背景，提出了标识Petri网建模方法和基于SVM的异常预测方法，为工作流量化建模和异常预测研究提供了有意义的参考方法；设计了基于Agent和知识管理的异常处理系统模型，对于工作流异常处理研究和应用具有一定的指导意义。