复杂大分子体系相平衡性质的研究是化工过程模拟与优化的基础。其目的就是为了理解并掌握复杂多元大分子体系的热力学性质，从而来指导相应的工艺开发和过程优化等问题。本文的研究结果为非对称聚合膜制备的实验研究，蛋白质结晶生长的过程模拟以及结晶反应器设计提供了基础的理论指导。 由于多元大分子体系较为复杂，基于传统热力学模型和多项式拟合的方法，往往不能很好地用于模拟和预测这些体系的热力学相平衡性质。具有高度非线性映射的人工神经网络为此提供了一条有效途径。本文主要基于人工神经网络方法，对研究聚合物成膜体系和蛋白质体系的热力学相平衡性质进行模拟和预测。并对神经网络中传统的误差反向传播算法进行了改进，最终对改进算法的性能进行了验证。 本文的主要工作可以简述如下： 1．基于水／二甲基乙酰胺／聚砜成膜体系的浊点数据对人工神经网络进行训练，并用训练好的网络预测了其它温度下双结点线，这在一定程度上填补热力学数据的不足，从而为非对称膜制备的实验研究提供了基础理论指导。 2．基于人工神经网络对生物大分子蛋白质溶菌酵素体系的溶解度进行了模拟和预测，分析并讨论了各因素对蛋白质溶解度的影响。此外，还与传统热力学模型预测的结果进行了比较。结果表明，人工神经网络可以很好地用于预测蛋白质溶菌酵素体系在其它实验条件下的溶解度，且预测精度高于传统的热力学模型。 3．针对传统误差反向传播学习算法的不足，分别基于动量规则、自适应学习速率系数和修正的Levenberg-Marquardt算法三个方面对学习算法进行了改进。结果表明，基于动量规则和自适应学习速率系数这两种算法在一定程度上能够提高网络的预测精度并加快网络的收敛速率。但与修正的Levenberg-Marquardt算法相比，仍存有不足。因此，对于所研究的复杂大分子体系的相平衡性质，基于修正的Levenberg-Marquardt算法的BP网络显示较好的训练和预测效果。 4．引入基于自然界生物进化思想的遗传算法，结合遗传算法的并行全局之搜索能力和修正的Levenberg-Marquardt算法快速精确寻优之特点，提出了联合遗传优化Levenberg-Marquardt算法的新思想。选用蛋白质体系和聚合物成膜体系对新算法的性能进行了验证，结果表明这种新算法较传统EBP算法具有更高的预测精度，同时郑州大学硕士学位论文也降低了人工神经网络计算的时间消耗。