近年来，我国污泥产量日益增加，与此同时，我国污泥处理技术普遍落后，很大一部分污泥不能得到安全的处理处置，污泥处理处置问题已成为目前我国面临的一个亟待解决的环境问题。污泥厌氧消化既可以实现污泥无害化、稳定化和减量化，又可以产生可利用的生物质气体，实现污泥资源化，因而在很多国家得以广泛应用，其中以中温厌氧消化最为常用。污泥厌氧消化系统通常是按稳定条件设计的，即假设负荷不随时间而改变。然而，在实际工程中，污泥中有机物的成分、浓度等都随时间而变化，消化过程是在较多影响因素的作用下进行的，没有确定的关系模式，消化系统的设计和运行大多根据经验数据进行，因此，如果不进行适当控制，常导致消化系统性能下降，甚至趋于失败，传统的做法需要通过大量的实验来确定合适的运行状态，造成人力、物力和财力的大量消耗。如果能够找到一个预测模型，使其能准确地预测在底物及环境条件变化的情况下系统的性能变化情况，就可以预先采取措施，创造最佳反应条件，确保系统稳定、高效地运行。对于污泥消化系统这种多变量、非线性、时变与随机性高的过程，建立机理模型的代价较高，而建立人工神经网络模型则相对容易。本研究针对污泥中温厌氧消化实验，建立了可挥发性悬浮物（VSS）、消化罐pH值、碱度和污泥消化系统日产气量之间的动态关系。利用人工神经网络的自学习能力和非线性映射能力，建立了一个目前应用最为广泛的神经网络模型——BP神经网络模型，并针对标准BP算法神经网络的不足，提出了动量-学习率自适应算法和Levenberg-Marquart算法两种有代表性的改进算法的BP神经网络，分别对三种网络进行了训练和仿真，比较其预测消化系统日产气量的效果。训练结果表明两种改进算法的网络均具有很强的学习能力，网络训练实际输出值和期望输出值之间的相关系数分别达到0.979和0.980，学习能力较标准BP算法的网络（训练结果相关系数为0.883）均有所提高。仿真结果显示两种改进算法的网络的泛化能力均比标准BP算法的网络强；Levenberg-Marquart算法的网络预测效果最好，除极少数预测点差别较明显外，大多数预测值和实测值很接近，表明该网络具有良好的泛化能力和辨识能力。此外，利用Levenberg-Marquart算法的BP神经网络的预测能力，根据进泥VSS不同，调节污泥消化罐pH值和碱度到合适的值，系统日产气量有明显提高，进一步证明了该网络具有良好的预测能力和实用性。