【摘要】已有的基于一阶导数的最小二乘支持向量回归机(LSSVR)模型的构建是从泰勒展开的角度着手,简单地将一阶导数插入到泰勒展开式中,实质上是通过泰勒展开增加训练样本的个数,而且也没考虑样本点处的二阶导数;本文并没有去估计样本点邻域内的函数值,而是将一阶/二阶导数作为第二类变量融入到核矩阵中直接构建优化模型,使模型的构建更为有效,并据此得到一种新的基于一阶/二阶导数的最小二乘支持向量回归机(first/second derivative LSSVR,F/SD-LSSVR)模型。所提模型通过了分析函数的验证,实验表明,与传统的LSSVR模型以及基于一阶导数的最小二乘支持向量回归机(first derivative LSSVR,FD-LSSVR)模型相比,考虑一阶/二阶导数的F/SD-LSSVR模型显著地提高了其预测精度。