微生物发酵过程具有高度时变性和不确定性，关键生物参量（基质浓度、菌体浓度、产物浓度等）是反应发酵进程的重要指标。但是，目前这些参量还难以实时在线测量，离线化验时滞性很大，无法满足现场实时优化控制的需要。将软测量技术应用到发酵过程中，对生物参量进行在线估计是解决上述问题的有效途径。　　 本文在深入研究分析最小二乘支持向量机算法优势和不足的前提下，对其进行了方法改进，并以燃料乙醇发酵过程中关键生物参量之一乙醇浓度为研究对象，对所提出的改进方法分别进行了验证分析:　　 1.在分析支持向量机、最小二乘支持向量机算法的理论基础上，以一个仿真实例对以上两种建模方法进行了比较。结果表明，最小二乘支持向量机软测量建模方法训练速度快，预测精度高，但是在其建模过程中利用经验法和试凑法不能很好地选取核参数与正规化参数，为此，文中提出一种基于交叉验证的最小二乘支持向量机软测量建模方法。　　 2.考虑到燃料乙醇发酵过程中干扰因素较多且相互关联，输入变量之间存在的非线性属性会严重影响模型的预测精度和泛化能力，文中提出一种基于核主元与交叉验证的最小二乘支持向量机软测量建模方法。首先利用核主元分析法对输入变量进行数据压缩和信息抽取，消除输入变量之间的相关性，然后再利用基于交叉验证的最小二乘支持向量机软测量建模方法对燃料乙醇发酵过程进行软测量建模。仿真结果表明，该建模方法优于基于最小二乘支持向量机和基于交叉验证的最小二乘支持向量机软测量建模。　　 3.针对燃料乙醇发酵过程中的过程对象特性和工作点不可避免地发生变化，离线建模方法所建立的软测量模型自适应能力差的问题，本文在核主元与交叉验证的最小二乘支持向量机软测量建模的基础上，提出了一种基于滚动时间窗的软测量模型在线校正方法。该方法通过不断更新滚动时间窗内的数据对模型进行实时优化，并且还对滚动窗内的数据分配不同的权值，提高了建模的精度和有效性，在一定程度上为乙醇的高效、高质量生产奠定了基础。