现代工业的快速发展，带来了能源的急剧消耗，而锅炉又是工业生产和生活中的重要设备，因此，提高锅炉的燃烧效率，降低污染物的排放，对于节约能源和环境保护具有重要的意义。由于锅炉燃烧是一个复杂的物理化学过程，具有较大延迟、多变量耦合、非线性等复杂特性，因而无法对其建立准确的机理模型，这也成为了锅炉燃烧控制的难点。通过对现在常用的建模方法进行分析研究之后，本文选用BP神经网络算法对锅炉燃烧过程进行建模分析。它是将整个燃烧系统作为一个黑箱，而不具体分析燃烧过程内部机理的前提下，建立一个合理的模型结构。由于BP算法具有收敛速度慢，容易陷入局部极值等缺点，因此本文选用遗传算法作为网络的优化算法。充分利用其全局搜索能力对BP网络的权值、阈值进行优化，建立了合理的GA-BP网络模型。算法选用小波处理后的锅炉历史运行数据进行网络训练及测试，从实验结果可知，利用遗传算法优化BP神经网络，提高了模型的训练精度及收敛速度，使模型更能反映锅炉燃烧的运行特性。另外，本文还对时间序列分析的基本原理及主要的建模步骤进行了论述，建立了关于锅炉出水温度的数学模型，并运用实际的历史运行数据进行了检验。通过对比分析GA-BP网络模型和时间序列模型可以看出，对于类似锅炉的这种复杂多变量系统建模时，GA-BP网络模型在收敛速度和计算精度等方面具有优势，更适合用于锅炉燃烧过程的建模。本文运用MATLAB软件编程实现了GA-BP网络模型及模型的检验。对于时间序列模型，在Eviews软件平台上分别完成了模型的数据检验、模型识别、参数估计、模型定阶、模型检验等操作。