膜分离过程作为一门新型的分离、浓缩、提纯及净化高新技术,具有能耗低、单级分离效率高、过程简单、不污染环境等优点,它己成为解决当代能源、资源和环境污染等问题的重要高新技术及可持续发展的技术基础。然而,在工业实际应用中的膜污染问题限制了膜技术应用的自动化、规模化和最优化。因此,准确预测膜过滤过程中膜性能的变化规律就成为膜领域内亟待解决的重要问题之一,目前最常用的膜性能预测方法有人工神经网络和支持向量机。　　本文在前期成果的基础上,做了以下研究:　　首先在容积为800ml,有效过滤面积为24.0cm2的死端过滤装置上,使用平均孔径为0.1μm的聚丙烯腈(PAN)微滤膜对生物反应器中的活性污泥混合液进行了过滤研究,以实验数据为样本数据,借助支持向量机和人工神经网络对膜通量进行了预测研究,在此过程中以平均相对误差作为评价标准优化了网络模型。主要研究结果有:以膜生物反应器的操作条件(污泥浓度,温度,溶解氧,水力停留时间,跨膜压力差)和时间作为输入节点,以膜通量作为输出节点,同时将实验样本分为不同容量的三个小组(810组、450组、225组)分别用支持向量机和人工神经网络对其进行了建模预测。当实验预测样本容量较大时,支持向量机模型和人工神经网络模型得到的预测误差都比较小,精度较高;但当样本容量较小时,支持向量机仍然表现出很好的预测性能,其预测的平均相对误差稳定在较小范围,而相应的人工神经网络模型的误差值较大,预测精度不理想。因此,针对大样本的实验而言,两类模型均适用,但针对小样本实验,支持向量机模型的预测精度较高。　　同时,在自制羟基改性氯醋膜的膜通量和截留率预测中,采用制膜过程中影响膜性能的的各个操作条件(固含量,添加剂含量,环境温度,相对湿度,溶剂挥发时间,凝胶浴温度,凝胶时间)作为输入节点,将膜通量和截留率分别作为输出节点,分别用支持向量机和人工神经网络对其进行了建模预测。结果表明:针对该小样本实验,支持向量机和人工神经网络的预测值和实验值都有一定的吻合度,但支持向量机的预测精度远高于人工神经网络,预测效果较好,因此,支持向量机模型更适合于小样本实验,进一步证明了支持向量机在小样本中的优越性。