污水处理过程是一个典型复杂动态系统，由于其进水流量与进水组分的不确定变化且包含复杂微生物生化反应，使得污水处理过程存在强烈的非线性、大时变以及强耦合等特征，因此，保证底层控制平稳运行是污水处理过程的重点研究内容;同时，由于中国污水处理厂普遍存在电能消耗比高、运行成本大的现象，实施优化控制能够节约运行总成本。本文旨在以提高污水处理底层控制的平稳运行以及促进污水处理过程节能降耗的为研究目标，以实现污水处理过程智能优化节能控制。　　混合智能优化控制方法已经成为解决复杂动态系统的有效手段。针对污水处理过程的复杂动态特性，采用分层递阶控制策略实现污水处理过程的节能优化控制，结构包含优化控制层和底层控制层。优化控制层实现经济性能指标的优化;底层实现精确的跟踪控制。污水处理混合智能优化控制方法以溶解氧浓度和硝态氮浓度为控制变量及优化变量，以曝气能耗、泵送能耗和出水水质为控制目标，通过上层智能优化算法设计以及底层智能跟踪控制设计，实现污水处理过程底层精确跟踪控制以及全流程智能优化控制。主要研究内容如下:　　(1)基于规则自适应递归模糊神经网络的溶解氧控制方法　　针对污水处理过程溶解氧控制中，存在的非线性、大时变特性。提出一种基于规则自适应递归模糊神经网络的溶解氧控制方法。该方法利用递归模糊神经网络的非线性映射能力，建立了溶解氧和氧传递系数之间的数据驱动模型，建立的模型可以为控制器的参数学习过程提供系统信息。此外，针对处理工况的大时变特性，基于规则自适应机制设计了递归模糊神经网络的结构自组织算法，使其网络结构能够随着系统处理工况的变化而自动调整，增强了动态映射能力。结果表明，该方法能够有效提高溶解氧的跟踪控制精度。　　(2)基于拆分规则自适应递归模糊神经网络的多变量控制方法　　针对污水处理过程多变量控制问题，提出一种基于拆分规则自适应递归模糊神经网络的多变量控制方法。该方法不仅可以利用递归模糊神经网络的结构自组织以适应处理工况的变化，解决了污水处理工况实时变化对控制系统的影响问题，而且通过拆分规则自适应递归模糊神经网络的结构，利用不同的子网络模块分别映射溶解氧和硝态氮的控制过程，避免了多输入多输出学习过程中的相互干扰问题。结果表明，该方法提高了污水处理过程多变量的跟踪控制精度。　　(3)基于递归模糊神经网络的污水处理过程智能解耦控制方法　　针对污水处理过程多变量控制中具有耦合现象的问题，提出一种基于递归模糊神经网络的污水处理过程智能解耦控制方法，实现了溶解氧和硝态氮的解耦控制。该方法在拆分递归模糊神经网络结构的基础上，利用解耦权值和解耦因子映射两种变量控制之间的耦合关系。此外，利用梯度下降算法实时调整解耦参数，以适应工况变化对耦合关系的影响。实验表明，基于递归模糊神经网络的污水处理过程智能解耦控制方法可以有效提高硝态氮浓度的跟踪控制精度，具有较好的解耦控制性能。　　(4)基于混合智能算法的污水处理优化控制方法　　针对污水处理过程中优化变量与能耗指标之间以及出水指标之间的优化模型难以建立问题，提出一种基于混合智能算法的污水处理优化控制方法。该方法利用案例推理技术给出适用于当前处理工况下的控制变量期望值，以实际出水水质参数测量值为参考调整案例库中解决方案，保证了案例的适用性。此外，采用神经网络数据驱动模型预测出水水质，以便提前调整控制变量的预设定值。结果表明，所提方法可以在保证出水水质的前提下降低能耗，为污水处理厂优化控制提供了切实可行的方法。