采用建立发酵模型来研究微生物发酵工艺是近年来研究工作的热点。发酵模型能够快速寻找到重组蛋白质药物适合的发酵工艺,并且能够对生产过程进行监控,促进重组蛋白质药物的研发和产业化生产。因此本文旨在：针对蛋白质发酵过程建立一个预测精度高并且泛化能力强的发酵模型以期优化发酵工艺、提高发酵生产质量。由于发酵过程的机理模型难以确立,目前常采用黑箱建模的方法针对发酵过程进行建模。最小二乘支持向量机(Least Squares Support Vector Machine, LS-SVM)方法改善了神经网络方法存在的对训练样本外的数据预测能力差、过学习、容易陷入局部极小点等方面的不足；同时相对于支持向量机(Support Vector Machine, SVM)而言,在损失了一定建模精度的前提下,原理更为简单、建模时间也大大缩短了,因而最小二乘支持向量机建模具有建模速度快、预测性能良好和学习能力强等优点。最小二乘支持向量机存在缺少稀疏性和鲁棒性的问题,本文首先采用剪枝法和加权法对最小二乘支持向量机进行了改进。由于对最小二乘支持向量机而言核函数的选择和构造是非常重要的,因此本文接下来针对核函数进行了研究,列出了几种单核函数,并从机理角度和实际应用效果两方面综合评价每个核函数。核函数分为全局性核函数(即旋转不变核)和局部性核函数(即平移不变核),全局核函数的学习能力较弱但泛化能力强,而局部性核函数的泛化能力较弱但学习能力强,本文针对核函数的这种特性提出了将全局核与局部核线性组合的混合核函数,克服了单核最小二乘支持向量机建模的缺点,并通过权重因子调节全局核与局部核对混合核函数的作用,这样能够使所建立的混合核函数最小二乘支持向量机模型具有较好的泛化能力和较高的预测精度。之后,为了提高所建立模型的精度,利用量子粒子群算法(QPSO)对核参数、惩罚系数和混合核函数中的权重因子进行优化调整。本文将基于混合核函数的最小二乘支持向量机建模方法应用于蛋白质发酵过程建模中,用量子粒子群算法对参数进行寻优,从仿真结果可以看出：混合核函数最小二乘支持向量机模型与单一核函数最小二乘支持向量机模型相比,学习能力和泛化能力均有所提高。用混合核函数方法建立的蛋白质发酵过程模型具有较好的模型拟合精度和满意的预测效果。