热环境研究成果表明，人体对环境的热舒适感觉是组成热环境的各参数(气温、湿度、风速、平均辐射温度等)对人体综合作用的结果。其综合作用效果可以用Fanger教授提出PMV指标或Gagge教授等提出的SET*指标衡量。同时我们也知道即便是同一个室内空气PMV值，也对应着上百乃至上千组不同的室内空气状态参数组合，而这些组合对应的空调系统耗能肯定有所区别。这些参数组合中必定存在一组参数对应的系统耗能最小，在事先选定的PMV充分满足人体舒适的前提下，我们称这组参数为最佳室内空气参数组合。 本文利用人工神经网络所具有的很强的自适应性和学习能力、非线性映射能力、高鲁棒性和容错能力、平行分布处理、多变量系统等特点，着力于研究最佳室内空气参数组合自动找寻。 本文首先对PMV指标进行了探讨，通过编制Matlab程序，建立了预测PMV值的人工神经网络模型。评估结果表明该网络模型具有良好的性能，完全可以应用于各种空调控制系统中。在此网络模型基础上，提出了新型集成式PMV传感器的结构。 其次，本文重点研究了最佳室内空气参数组合的自动找寻，编制了相应的Matlab程序，建立了预测最佳室内空气参数组合的神经网络模型，并利用简化模型的计算数据代替实测数据对该网络进行训练。从评估结果可以看出该网络模型具有良好的性能，表明利用神经网络预测最佳室内空气参数组合是可行的。 本文的研究成果对改变传统空调单纯控制室内温湿度的控制方式，具有深远的影响意义。提高了空调系统的舒适性，有利于最大程度地发挥系统的节能潜力。本课题还对制冷装置的进一步控制研究提供了良好的理论基础。