污水处理是一个包含众多物理及微生物生化反应现象的复杂流程工业系统，具有明显的非线性、时变、耦合、不确定干扰严重等非线性特征，而且，污水处理过程精确的数学模型较难建立，使得污水处理过程控制及优化存在诸多难点问题，控制性能不易保证，污水处理品质受到影响。同时，污水处理厂普遍存在着能量消耗大，运行成本高等现象。本文以提高污水处理过程控制性能、促进污水处理过程节能降耗及环保为研究目标，开展污水处理过程智能控制及智能优化控制方法研究。　　针对污水处理过程具有的流程工业系统特征，采用分层递阶结构设计污水处理过程的全流程优化控制方案，将污水处理过程实时优化控制分为决策管理层、优化层和跟踪控制层。上层实现决策信息调整，中间层采用多目标优化方法获取控制变量优化设定值，底层采用基于神经网络的直接自适应控制方法完成优化设定值的跟踪任务。在深入分析污水处理过程控制及优化特点基础上，优化层确定以溶解氧及硝态氮浓度设定值为优化变量，以曝气能耗、泵送能耗、出水水质为优化性能指标设计多目标优化方案;控制层主要研究溶解氧浓度的单变量、溶解氧与硝态氮浓度的多变量控制方法。主要研究内容如下:　　(1)污水处理过程特性分析及基准仿真平台搭建　　污水处理过程特性分析是进行污水处理过程控制及优化的研究基础，是开展污水处理过程的底层跟踪控制及多目标优化问题研究的必备条件。针对活性污泥处理工艺的前置反硝化污水处理过程，重点研究和分析了污水处理过程中二级处理的生化反应池机理模型及特性、二沉池反应特性及污水入水动态特性等。基于MATLAB环境搭建国际基准BSM1(Benchmark Simulation Model No.1)仿真平台，对污水处理过程相关特性进行了仿真实验研究。根据课题的研究目标，对污水处理过程控制变量、优化变量及优化变量范围的选取进行分析和研究，给出本课题研究内容的整体框架。　　(2)基于动态神经网络的污水处理过程直接自适应控制方法研究　　污水处理过程底层控制主要关注于基本回路的控制性能，使系统具有较高的控制精度，保证系统平稳、高效运行。然而，由于污水处理过程的复杂特性，其控制问题较难实现。针对污水处理过程精确模型难以建立，具有非线性、时变、不确定性等特点，提出一种不需要精确建立污水处理过程模型的直接自适应神经网络控制方法(Direct Adaptive Neural Network Control，DANNC)，实现了溶解氧浓度的单变量跟踪控制、溶解氧与硝态氮浓度的多变量跟踪控制系统设计。控制系统主要包括模糊神经网络控制器和补偿控制器两部分，其中模糊神经网络用于逼近理想控制律，补偿控制器对神经网络控制器引起的逼近误差进行补偿。模糊神经网络的结构和参数可实现在线学习，结构学习算法考虑了增减结点后的参数补偿问题。其中，提出的基于规则无用率指标的结构删减算法，计算量小，适合在线控制。系统稳定性采用Lyapunov理论进行证明，并给出相应参数的自适应率。特别地，对于污水处理过程的多变量控制，DANNC方法能较好的解决控制变量间的耦合问题。基于国际基准BSM1的仿真实验表明，所提方法在控制精度和自适应能力方面具有一定优越性。　　(3)污水处理过程动态多目标优化控制方法研究　　针对污水处理优化控制中多目标优化及优化模型难以建立的难点问题，提出一种基于神经网络的污水处理过程动态多目标优化控制方法(Dynamic Multi-objective Optimization Control，DMOOC)。分析污水处理过程控制变量、操作变量及优化性能指标间存在的联系，利用模糊神经网络建立污水处理过程优化设定值与性能指标、出水约束间的函数关系，构建污水处理过程带有约束的动态多目标优化模型，解决了污水处理过程中没有优化模型的难点问题，为污水处理过程能耗与水质的多目标优化问题提供了模型基础。采用改进NSGA-Ⅱ进化算法对建立的多目标优化问题求解，经满意优化解确定，获得溶解氧与硝态氮浓度的优化设定值。仿真实验研究表明，DMOOC方法能够在保证出水水质达标前提下，有效降低污水处理过程能耗，并可以实现能耗与出水水质的折中优化。　　(4)污水处理过程全流程智能优化控制方法研究　　将污水处理过程多目标优化方法与基于神经网络的直接自适应跟踪控制方法相结合，并进行决策管理层设计，从全流程角度对污水处理过程实施优化控制。决策管理层依据决策者偏好及系统当前运行性能进行决策调整，给出优化层所需的性能指标权重分配。优化层采用多目标优化方法获取溶解氧及硝态氮浓度的优化设定值，底层完成优化设定值的跟踪任务。基于BSM1平台的仿真实验表明，全流程优化控制方法在保证出水水质达标的基础上，可以实现系统节能降耗，能耗与水质的综合评价性能也得到一定提升。