随着社会工业化的发展,城市和工业污水处理已成为环保领域迫在眉睫的重要课题。污水处理生物过程中不可预见的干扰大,具有典型的非线性、不稳定、多变量等特点,很难建立准确的数学模型,并且关键的水质参数(尤其是最能体现污水处理性能的生化需氧量BOD)难以实现在线监测。针对污水处理过程中关键水质参数难以在线监测的问题,本文提出了一种基于混合递阶遗传算法优化RBF神经网络的BOD软测量模型。本文首先运用主元分析法(PCA)对输入变量进行降维和去相关处理,从而简化RBF神经网络的输入。以不小于85%的累计贡献率,把初始的10维输入变量降到5维。然后把隐含层结构和参数看作整体,编码为染色体,采用具有双层基因染色体结构的递阶遗传算法来优化RBF隐含层参数,而输出层连接权值则采用最小二乘法来确定。运用混合递阶遗传算法优化RBF神经网络模型,使得软测量模型具有较强的自适应性以及较好的容错性。最后将本文提出的软测量模型与其他几种模型的仿真结果作比较,可知本模型具有较好的控制精度和稳定性。本文将混合递阶遗传算法和RBF神经网络用于污水处理出水BOD的软测量,能够进一步推动污水处理过程的实时闭环控制,对其他工业过程中具有智能控制算法的软测量仪表的开发也具有积极的启发意义。