首先介紹了基于統(tǒng)計學習理論的一種新的機器學習技術(shù)——支持向量機（Support Vector Machine，SVM），并針對目前支持向量機參數(shù)選擇時人為選擇的盲目性，將具有良好優(yōu)化性能的混沌優(yōu)化（Chaos Optimization）技術(shù)應(yīng)用到支持向量機懲罰函數(shù)和核函數(shù)參數(shù)的優(yōu)化，提出了混沌優(yōu)化支持向量機（Chaos Optimization Support Vector Machine，COSVM）方法。根據(jù)豐滿大壩1997～2004年的實際監(jiān)測數(shù)據(jù)，建立了混沌優(yōu)化支持向量機大壩安全監(jiān)控預(yù)測模型，進行了與統(tǒng)計回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型的分析比較，結(jié)果表明，COSVM模型具有更高的預(yù)測精度，同時在較長時段的預(yù)測中，COSVM模型也表現(xiàn)出更好的泛化推廣性能。