摘 要 污水处理过程的生产条件恶劣，随机干扰严重，具有强非线性、时变、大滞后等特点，难以建立精确的数学模型，且关键水质参数无法在线监测，是一类典型的复杂过程。针对污水处理过程中关键水质参数无法在线监测的问题，本论文研究了基于神经计算学的污水水质软测量方法。主要内容包括：1. 建立基于 BP 神经网络的污水水质软测量模型。对比标准 BP 算法，动量梯度下降反向传播算法，自适应学习速率梯度下降反向传播算法，自适应学习速率动量梯度下降反向传播算法，仿真研究结果表明：自适应学习速率动量梯度下降反相传播算法在收敛精度，收敛速度上明显高于其它三种BP算法，可用于建立BOD软测量模型。2. 提出了一种新的软测量方法—基于 GABP 神经网络的污水水质软测量模型。GABP 算法是用遗传算法来优化神经网络权值，其中采用自适应学习速率动量梯度下降算法对神经网络进行训练，计算适应度函数，最后对优化权值后的网络进行训练。仿真研究结果表明：与标准 BP 算法、改进 BP 算法相比，GABP 算法具有收敛速度快、收敛精度高、稳定性好等特点。3. 提出了一种基于 PCA 时间延迟神经网络的污水水质 BOD 的在线预测方法。其中主元分析 PCA 实现过程变量的降维和去相关，实现辅助变量的精选，从而达到简化神经网络输入的目的。时间延迟神经网络通过在网络中引入记忆功能，建立动态神经网络模型映射停留时间的变化。软测量模型的在线校正采用短期学习和长期学习相结合的方法，提高了模型对过程动态变化的适应能力进而提高软测量模型的预测精度。仿真结果表明该软测量模型具有较好稳定性、实时性、精度高的特点。 基于神经计算学的污水水质软测量方法，不仅有助于实现污水处理过程实时闭环控制，而且对于其它复杂过程的优化控制也有积极影响。