污水处理过程是一个复杂的高度非线性系统,其进水流量、进水成份、污染物浓度、天气变化等参量都是被动接受,微生物生命活动受溶解氧浓度、微生物种群、污水的PH值等多种因素影响,生化反应过程具有滞后特性,精确表述控制变量与控制目标之间的关系十分困难。目前的一些污水处理模型结构复杂,待整定参数过多,可辨识性差,不能动态地反应出操作变量与控制目标之间的蕴含关系,无法用于在线控制。寻求较好的建模方法,解决污水处理过程中的建模问题是一个很迫切的需求。同时,污水处理过程中的过程参数随时间呈现动态变化,同时会受到多种不同类型的干扰,这种不确定、时变、时滞系统的控制问题仍是国际控制领域的挑战性问题。　　 递归神经网络实质上是一个非线性的动力学系统,特别适合于一些高度非线性的动力学过程的建模与控制。因此,研究递归神经网络设计方法,解决污水处理过程中的问题具有现实意义。论文主要工作如下:　　 首先,提出了一种递归神经网络的结构设计方法,研究该网络结构的学习算法、状态的稳定性以及对动力学系统的逼近能力。　　 其次,给出了一种污水处理中一些关键的水质参数在线测量的方法。运用了软测量技术,使用递归神经网络建立污水处理过程的软测量模型。通过与BP前向型的软测量模型之间的比较,证明了递归神经网络对动力学系统的逼近精度优于前向型的神经网络。　　 最后,设计了一种基于递归神经网络预测模型的自适应控制方法。对于污水处理过程中经常受到干扰,系统存在大时滞导致的控制难题,本文用递归神经网络对其状态进行预测,并基于此预测模型实现自适应控制,实现对污水处理过程的闭环控制。　　 将递归神经网络应用在污水处理过程中,对递归神经网络自身的发展起到了一定的推动作用。同时,也为污水处理过程建模、控制提供了一种有效方法。研究工作对于类似的工业过程也有一定的借鉴作用。