为了提高建筑空调负荷的预测精度，在分析空调负荷主要影响因素的基础上提出了一种基于自适应加权最小二乘支持向量机（AWLS-SVM）的建筑空调负荷预测方法。该方法根据预测误差的统计特性，采用基于改进正态分布加权规则，自适应地赋予每个建模样本不同的权值，以克服异常样本点对模型性能的影响。建模过程中采用粒子群优化（PSO）算法对模型参数进行优化，以进一步提高模型预测精度。基于　DeST　模拟数据将　AWLS-SVM　方法应用于南方地区某办公建筑的逐时空调负荷预测中，并与径向基神经网络（RBFNN）模型、LS-SVM　模型及　WLS-SVM模型作比较，其平均预测绝对误差分别降低了51．84％、13．95％和3．24％，并进一步基于实际空调负荷数据将该方法应用于另一办公建筑的逐日空调负荷预测中。预测结果表明：AWLS-SVM　预测的累积负荷误差为4．56　MW，亦优于其他3类模型，证明了　AWLS-SVM　具有较高的预测精度和较好的泛化能力，是建筑空调负荷预测的一种有效方法。